AirSWOT InSAR Mapping of Surface Water Elevations and Hydraulic Gradients Across the Yukon Flats Basin, Alaska
Notice bibliographique
Résumé
Abstract AirSWOT, an experimental airborne Ka‐band interferometric synthetic aperture radar, was developed for hydrologic research and validation of the forthcoming Surface Water and Ocean Topography (SWOT) satellite mission (to be launched in 2021). AirSWOT and SWOT aim to improve understanding of surface water processes by mapping water surface elevation (WSE) and water surface slope (WSS) in rivers, lakes, and wetlands. However, the utility of AirSWOT for these purposes remains largely unexamined. We present the first investigation of AirSWOT WSE and WSS surveys over complex, low‐relief, wetland‐river hydrologic environments, including (1) a field‐validated assessment of AirSWOT WSE and WSS precisions for lakes and rivers in the Yukon Flats Basin, an Arctic‐Boreal wetland complex in eastern interior Alaska; (2) improved scientific understanding of surface water flow gradients and the influence of subsurface permafrost; and (3) recommendations for improving AirSWOT precisions in future scientific and SWOT validation campaigns. AirSWOT quantifies WSE with an RMSE of 8 and 15 cm in 1 and 0.0625 km 2 river reaches, respectively, and 21 cm in lakes. This indicates good utility for studying hydrologic flux, WSS, geomorphic processes, and coupled surface/subsurface hydrology in permafrost environments. This also suggests that AirSWOT supplies sufficient precision for validating SWOT WSE and WSS over rivers, but not lakes. However, improvements in sensor calibration and flight experiment design may improve precisions in future deployments as may modifications to data processing. We conclude that AirSWOT is a useful tool for bridging the gap between field observations and forthcoming global SWOT satellite products.
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 | 0,002 | 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 | 0,001 | 0,001 |
| 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) | 0,003 | 0,001 |
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 tête enseignante, 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 ».