Airborne observations of arctic-boreal water surface elevations from AirSWOT Ka-Band InSAR and LVIS LiDAR
Notice bibliographique
Résumé
Abstract AirSWOT is an experimental airborne Ka-band radar interferometer developed by NASA-JPL as a validation instrument for the forthcoming NASA Surface Water and Ocean Topography (SWOT) satellite mission. In 2017, AirSWOT was deployed as part of the NASA Arctic Boreal Vulnerability Experiment (ABoVE) to map surface water elevations across Alaska and western Canada. The result is the most extensive known collection of near-nadir airborne Ka-band interferometric synthetic aperture radar (InSAR) data and derivative high-resolution (3.6 m pixel) digital elevation models to produce water surface elevation (WSE) maps. This research provides a synoptic assessment of the 2017 AirSWOT ABoVE dataset to quantify regional WSE errors relative to coincident in situ field surveys and LiDAR data acquired from the NASA Land, Vegetation, and Ice Sensor (LVIS) airborne platform. Results show that AirSWOT WSE data can penetrate cloud cover and have nearly twice the swath-width of LVIS as flown for ABoVE (3.2 km vs. 1.8 km nominal swath-width). Despite noise and biases, spatially averaged AirSWOT WSEs can be used to estimate sub-seasonal hydrologic variability, as confirmed with field GPS surveys and in situ pressure transducers. This analysis informs AirSWOT ABoVE data users of known sources of measurement error in the WSEs as influenced by radar parameters including incidence angle, magnitude, coherence, and elevation uncertainty. The analysis also provides recommended best practices for extracting information from the dataset by using filters for these four parameters. Improvements to data handing would significantly increase the accuracy and spatial coverage of future AirSWOT WSE data collections, aiding scientific surface water studies, and improving the platform’s capability as an airborne validation instrument for SWOT.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 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 ».