Soil Salinity Estimating from Satellite Dataset Using Multiple Regression Analysis Over Semi-Arid Region, UAE
Notice bibliographique
Résumé
Saline soil presents a real threat to the infrastructure and surface/subsurface resources of arid and semi-arid regions. Satellite-based datasets provide a promising source for monitoring the Earth’s surface, along with the development of computer programs and algorithms over the past decades. This study attempted to estimate the spatial variation of soil salinity over the semi-arid climate of the United Arab Emirates using the statistical technique of multiple linear regression analysis with satellite images from the Landsat 8 OLI optical sensor and Sentinel-1 SAR radar sensor. To develop a model to estimate soil salinity, 396 soil samples were collected from the study site, and soil salinity was measured. Raw OLI and SAR images were converted to reflectance values and backscatter coefficients, respectively. Multiple regression models were generated between the measured soil salinity and extracted satellite dataset, and the best performance models were chosen for validation. The validation analysis showed that the best performance model utilized reflectance values from the near-infrared, shortwave infrared, and backscatter coefficient of the VV channel. This model showed a coefficient of determination of R 2 = 0.5868, which makes the model unsuitable for future applications. This low model performance was expected because of the complex relationship between soil spectral reflectance and soil physical and chemical properties.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».