Discharge Estimation in Ungauged Basins Through Variational Data Assimilation: The Potential of the SWOT Mission
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 Space‐borne instruments can measure river water surface elevation, slope, and width. Remote sensing of river discharge in ungauged basins is far more challenging, however. This work investigates the estimation of river discharge from simulated observations of the forthcoming Surface Water and Ocean Topography (SWOT) satellite mission using a variant of the classical variational data assimilation method “4D‐Var.” The variational assimilation scheme simultaneously estimates discharge, river bathymetry, and bed roughness in the context of a 1.5 D full Saint‐Venant hydraulic model. Algorithms and procedures are developed to apply the method to fully ungauged basins. The method was tested on the Po and Sacramento Rivers. The SWOT hydrology simulator was used to produce synthetic SWOT observations at each overpass time by simulating the interaction of SWOT radar measurements with the river water surface and nearby land surface topography at a scale of approximately 1 m, thus accounting for layover, thermal noise, and other effects. SWOT data products were synthesized by vectorizing the simulated radar returns, leading to height and width estimates at 200 m increments along the river centerlines. The ingestion of simulated SWOT data generally led to local improvements on prior bathymetry and roughness estimates which allowed the prediction of river discharge at the overpass times with relative root mean squared errors of 12.1% and 11.2% for the Po and Sacramento Rivers, respectively. Nevertheless, equifinality issues that arise from the simultaneous estimation of bed elevation and roughness may prevent their use for different applications, other than discharge estimation through the presented framework.
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 | 0,002 | 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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