An intercomparison of remote sensing river discharge estimation algorithms from measurements of river height, width, and slope
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
Abstract The Surface Water and Ocean Topography (SWOT) satellite mission planned for launch in 2020 will map river elevations and inundated area globally for rivers >100 m wide. In advance of this launch, we here evaluated the possibility of estimating discharge in ungauged rivers using synthetic, daily “remote sensing” measurements derived from hydraulic models corrupted with minimal observational errors. Five discharge algorithms were evaluated, as well as the median of the five, for 19 rivers spanning a range of hydraulic and geomorphic conditions. Reliance upon a priori information, and thus applicability to truly ungauged reaches, varied among algorithms: one algorithm employed only global limits on velocity and depth, while the other algorithms relied on globally available prior estimates of discharge. We found at least one algorithm able to estimate instantaneous discharge to within 35% relative root‐mean‐squared error (RRMSE) on 14/16 nonbraided rivers despite out‐of‐bank flows, multichannel planforms, and backwater effects. Moreover, we found RRMSE was often dominated by bias; the median standard deviation of relative residuals across the 16 nonbraided rivers was only 12.5%. SWOT discharge algorithm progress is therefore encouraging, yet future efforts should consider incorporating ancillary data or multialgorithm synergy to improve results.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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