Operational Surface Water Detection and Monitoring Using Radarsat 2
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Traditional on-site methods for mapping and monitoring surface water extent are prohibitively expensive at a national scale within Canada. Despite successful cost-sharing programs between the provinces and the federal government, an extensive number of water features within the country remain unmonitored. Particularly difficult to monitor are the potholes in the Canadian Prairie region, most of which are ephemeral in nature and represent a discontinuous flow that influences water pathways, runoff response, flooding and local weather. Radarsat-2 and the Radarsat Constellation Mission (RCM) offer unique capabilities to map the extent of water bodies at a national scale, including unmonitored sites, and leverage the current infrastructure of the Meteorological Service of Canada to monitor water information in remote regions. An analysis of the technical requirements of the Radarsat-2 beam mode, polarization and resolution is presented. A threshold-based procedure to map locations of non-vegetated water bodies after the ice break-up is used and complemented with a texture-based indicator to capture the most homogeneous water areas and automatically delineate their extents. Some strategies to cope with the radiometric artifacts of noise inherent to Synthetic Aperture Radar (SAR) images are also discussed. Our results show that Radarsat-2 Fine mode can capture 88% of the total water area in a fully automated way. This will greatly improve current operational procedures for surface water monitoring information and impact a number of applications including weather forecasting, hydrological modeling, and drought/flood predictions.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle