Monitoring hydropower reliability in Malawi with satellite data and machine learning
Notice bibliographique
Résumé
Abstract Hydro-climatic extremes can affect the reliability of electricity supply, in particular in countries that depend greatly on hydropower or cooling water and have a limited adaptive capacity. Assessments of the vulnerability of the power sector and of the impact of extreme events are thus crucial for decision-makers, and yet often they are severely constrained by data scarcity. Here, we introduce and validate an energy-climate-water framework linking remotely-sensed data from multiple satellite missions and instruments (TOPEX/POSEIDON. OSTM/Jason, VIIRS, MODIS, TMPA, AMSR-E) and field observations. The platform exploits random forests regression algorithms to mitigate data scarcity and predict river discharge variability when ungauged. The validated predictions are used to assess the impact of hydroclimatic extremes on hydropower reliability and on the final use of electricity in urban areas proxied by nighttime light radiance variation. We apply the framework to the case of Malawi for the periods 2000–2018 and 2012–2018 for hydrology and power, respectively. Our results highlight the significant impact of hydro-climatic variability and dry extremes on both the supply of electricity and its final use. We thus show that a modelling framework based on open-access data from satellites, machine learning algorithms, and regression analysis can mitigate data scarcity and improve the understanding of vulnerabilities. The proposed approach can support long-term infrastructure development monitoring and identify vulnerable populations, in particular under a changing climate.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».