Radar imagery and saturated areas: decreasing model equifinality
Notice bibliographique
Résumé
Remote sensing data not only permit the local measurement of a phenomenon within a catchment, but also permit the examination of internal fine features and heterogeneity to obtain better knowledge of elementary hydrological processes and compare observed and predicted elementary hydrological processes. The images also enable running the models more effectively when ground truth given by the images fits with the model results. An application is shown for a small catchment in French Brittany (Coët-Dan) through several series of radar images from European Remote Sensing Satellite 1 (ERS-1) and ground observations of saturated areas. ERS radar signals are related not only to soil moisture but also to vegetation and roughness, so these images seem incapable of providing reliable soil moisture mapping directly. Nevertheless, a time series over a short period may yield useful information on soil moisture variations and saturation within a catchment, allowing a comparison of the saturated ground areas with model predictions at the catchment scale. We used Topmodel modelling, which computes the saturated areas at each time step during a rain event. In fact, one ERS-1 image does not permit the detection of the saturated areas, but a time series reveals the wettest areas, which appear to provide valuable assistance for better modelling. Using the global likelihood uncertainty estimation (GLUE) methodology opens an interesting research domain: indeed, models often accept numerous sets of parameters that give quite acceptable flow-rate simulations (equifinality), and the radar observations may help to choose within all the different parameter sets those with internal behaviour close to that of the physical modelling assumptions. Radar data thus help to retain only numerical solutions that are physically consistent and consequently to reduce predictive uncertainty caused by equifinality. This considerably improves our knowledge of elementary hydrological processes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».