MARC

 008260126s2025        us                              c    eng  d
■001000017360891
■00520260202105634
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297962187
■035    ▼a(MiAaPQ)AAI32384087
■035    ▼a(MiAaPQ)OhioLINKosu1751561249131565
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a910
■1001  ▼aEva,  Eshita.
■24510▼aDeveloping  High  Resolution  Soil  Moisture  Maps  Using  In  Situ,  Satellite,  and  Model-Derived  Data  in  the  Contiguous  United  States
■260    ▼a[Sl]▼bThe  Ohio  State  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a219  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Quiring,  Steven  M.
■5021  ▼aThesis  (Ph.D.)--The  Ohio  State  University,  2025.
■520    ▼aSoil  moisture  is  a  fundamental  state  variable  in  climatology,  meteorology,  and  hydrology.  Many  of  the  available  soil  moisture  products  have  a  coarse  spatial  resolution  that  is  not  useful  for  agricultural  applications.  Therefore,  this  project  will  address  the  critical  need  to  enhance  the  accuracy  and  utility  of  national  soil  moisture  (SM)  products  by  integrating  the  available  data  sources  such  as  in-situ,  satellite,  and  model-derived  products  and  downscale  them  to  the  finer  scale  (2-km,  1-km,  700-m,  and  400-m).  The  purpose  of  this  research  is  to  incorporate  new  sources  of  soil  moisture  data  and  to  harness  improved  downscaling  techniques  to  generate  more  accurate  field-scale  soil  moisture  estimates.  The  downscaling  will  apply  machine  learning  and  deep  learning  approaches  to  generate  high  resolution  soil  moisture  datasets  for  the  contiguous  United  States  (CONUS).  This  will  be  achieved  through  the  following  three  objectives:  (1)  determine  which  variables  are  most  important  for  downscaling  of  soil  moisture  for  two  volumetric  water  content  (VWC)  and  percentiles,  (2)  identify  the  most  appropriate  machine  learning  and  deep  learning  techniques  for  downscaling  soil  moisture  to  field  scale,  (3)  determine  the  optimal  spatial  resolution  for  the  downscaled  soil  moisture.  Two  distinct  sources  of  soil  moisture  data  were  utilized:  satellite-derived  soil  moisture  from  NASA's  Soil  Moisture  Active  Passive  (SMAP)  mission  and  model-estimated  soil  moisture  from  the  North  American  Land  Data  Assimilation  System  (NLDAS).Objective  1  demonstrated  that  dew  point  temperature  is  the  most  important  variable  for  downscaling  SMAP  percentiles  (0.18),  NLDAS  VWC  (0.27),  and  NLDAS  percentiles  (0.17)  over  CONUS,  indicating  SMAP  percentiles,  NLDAS  VWC,  and  NLDAS  percentiles  contribute  18%,  27%,  and  17%  of  the  total  power  to  make  it  a  dominant  feature.  While  elevation  is  the  most  important  variable  for  downscaling  SMAP  VWC  (0.28).  Dew  point  temperature  is  crucial  for  downscaling  in  most  regions  of  the  United  States,  except  in  the  South  and  WestNorthCentral,  where  elevation  is  the  most  important  feature.  The  accuracy  of  the  downscaling  varies  by  region.  In  the  South,  SMAP  VWC  and  NLDAS  VWC  downscaling  are  relatively  accurate.  Both  have  mean  absolute  errors  of  ~0.07.  The  MAE  in  the  South  region  was  0.196  for  SMAP  percentiles  and  0.175  for  NLDAS  percentiles.Objective  2  demonstrated  that  RF  was  the  best  method  for  downscaling  soil  moisture.  It  was  more  accurate  than  Support  Vector  Machine  (SVM)  and  Gradient  Boosting  (XGB)  for  downscaling  VWC  at  the  national  level  (RF:  0.0816  (SMAP)  and  0.0828  (NLDAS),  SVM:  0.0873  (SMAP)  and  0.0914  (NLDAS),  and  XGB:  0.0818  (SMAP)  and  0.0818  (NLDAS).  After  RF,  XGB  also  showed  good  accuracy.  XGB  also  has  an  advantage  because  it  was  faster  to  run.  The  SVM  had  larger  errors  than  the  other  two  methods,  and  it  was  slower  to  run.Objective  3  evaluated  how  the  accuracy  of  the  downscaled  soil  moisture  varied  as  a  function  of  spatial  resolution  (2-km,  1-km,  700-m,  and  400-m).  The  results  demonstrated  that  errors  tended  to  decrease  slightly  at  the  finer  resolutions.  For  example,  the  errors  associated  with  SMAP  VWC  downscaled  to  2-km,  1-km,  700-m,  and  400-m  were  0.0804,  0.0798,  0.0794,  and  0.0787,  respectively.  These  findings  were  consistent  between  NLDAS  and  SMAP.  While  there  was  some  regional  variability,  the  analysis  demonstrated  that  it  is  possible  to  generate  accurate  field-scale  (400  m)  soil  moisture  estimates  across  CONUS.Overall,  this  doctoral  research  developed  a  framework  for  accurately  downscaling  satellite  and  model-derived  soil  moisture  datasets  to  different  spatial  resolutions  of  CONUS.  This  study  represents  the  national-scale  downscaling  of  soil  moisture  that  is  essential  for  multiple  purposes,  including  hydrology,  agriculture,  and  climatology.
■590    ▼aSchool  code:  0168.
■650  4▼aGeography
■650  4▼aSoil  sciences
■653    ▼aSoil  moisture
■653    ▼aDeep  learning  approaches
■653    ▼aGradient  Boosting
■690    ▼a0366
■690    ▼a0800
■690    ▼a0481
■71020▼aThe  Ohio  State  University▼bGeography.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0168
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360891▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서