Intégration de données satellitaires à la modélisation hydrologique du Mont Liban
Notice bibliographique
Résumé
Résumé Vu le manque de mesures in situ, il est difficile d'estimer le volume d'eau stocké sous forme de neige sur le Mont Liban et encore plus de prévoir avec quelle rapidité ce volume d'eau sera disponible. C'est là que la télédétection peut aider la modélisation hydrologique. Ainsi, il serait possible de mettre à jour la distribution spatiale de l'équivalent en eau de la neige sèche à partir d'images RADARSAT-1. L'approche a été testée à l'hiver 2001. Les résultats obtenus portent à croire que l'algorithme serait susceptible de s'appliquer au couvert neigeux méditerranéen. Toutefois, une certaine prudence s'impose car le nombre de sites de mesures était limité. Durant la période de fonte et par temps clair, les données des capteurs opérant dans la partie réfléchie du spectre, comme le capteur VEGETATION, peuvent être utilisées pour suivre la limite inférieure du couvert de neige en montagne. L'étendue de la couverture de neige simulée par un modèle hydrologique, comme HYDROTEL, peut alors être validée et mise à jour. L'intégration des données de télédétection dans la modélisation pourrait donc permettre de suivre la quantité de neige au sol. Toutefois, l'ajout de stations météorologiques automatiques bien instrumentées, semble nécessaire.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».