Constraining Remote River Discharge Estimation Using Reach‐Scale Geomorphology
Notice bibliographique
Résumé
Abstract Recent advances in remote sensing and the upcoming launch of the joint NASA/CNES/CSA/UKSA Surface Water and Ocean Topography (SWOT) satellite point toward improved river discharge estimates in ungauged basins. Existing discharge methods rely on “prior river knowledge” to infer parameters not directly measured from space. Here, we show that discharge estimation is improved by classifying and parameterizing rivers based on their unique geomorphology and hydraulics. Using over 370,000 in situ hydraulic observations as training data, we test unsupervised learning and an “expert” method to assign these hydraulics and geomorphology to rivers via remote sensing. This intervention, along with updates to model physics, constitutes a new method we term “geoBAM,” an update of the Bayesian At‐many‐stations hydraulic geometry‐Manning's (BAM) algorithm. We tested geoBAM on Landsat imagery over more than 7,500 rivers (108 are gauged) in Canada's Mackenzie River basin and on simulated hydraulic data for 19 rivers that mimic SWOT observations without measurement error. geoBAM yielded considerable improvement over BAM, improving the median Nash‐Sutcliffe efficiency (NSE) for the Mackenzie River from −0.05 to 0.26 and from 0.16 to 0.46 for the SWOT rivers. Further, NSE improved by at least 0.10 in 78/108 gauged Mackenzie rivers and 8/19 SWOT rivers. We attribute geoBAM improvement to parameterizing rivers by type rather than globally, but prediction accuracy worsens if parameters are misassigned. This method is easily mapped to rivers at the global scale and paves the way for improving future discharge estimates, especially when coupled with hydrologic models.
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 | 0,001 |
| Communication savante | 0,000 | 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) | 0,003 | 0,002 |
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 ».