Remote sensing activities in Southern Ontario in NRCan/ESS Groundwater Geoscience Program
Notice bibliographique
Résumé
Water resources and their sustainability/vulnerability are determined by climate, physiography conditions of land surface and aquifers, and human activities. Satellite remote sensing can contribute to a better understanding of water resources in various ways. In this talk, three activities associated with remote sensing in the NRCan/ESS Groundwater Geoscience Program will be discussed. The first activity (1) is water cycle modelling and water budget assessment. This activity involves modelling the various water fluxes and storages in the atmosphere-vegetation-soil-aquifer system. It relies on the ESS land surface model EALCO and remote sensing products, as well as a number of other datasets for climate, soil and aquifers. Major outputs include evapotranspiration, surface runoff, snow cover, soil water, diffuse recharge and discharge of groundwater, etc. The model provides a platform to integrate the physical water processes with satellite observations, and to study water sustainability/vulnerability issues associated with climate change and human disturbances. The second activity (2) is soil moisture mapping. This activity aims at downscaling SMOS/SMAP soil moisture products (40-50km) using Radarsat-2 data to produce soil moisture map at a higher resolution (5-10km). The method includes removing the effect of vegetation using the water-cloud model and the effect of soil surface roughness using multi-temporal Radarsat-2 data. The wavelet transform is combined with the water-cloud model in soil moisture downscaling. The third activity (3) is characterising water storage variations using Radarsat-2 InSAR data and microgravity measurements. InSAR has been proven to be an efficient technique for measuring surface deformation. This activity investigates the potential of using an inversion model of surface deformation to characterise water storage variations. Field microgravity and GPS measurements over the Waterloo Moraine were also conducted to investigate the potential for using gravity signal to characterise water storage. Activity (1) aims at modelling the water cycle through integrating multiple remote sensing products that are available. Activities (2) and (3) are expected to generate new/improved water-related variables from remote sensing, which can be used in Activity (1) to further constrain the water modelling so that our understanding of the water can be improved.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 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) | 0,011 | 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 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 ».