MétaCan
Menu
Retour à la cohorte
Enregistrement W3111407686 · doi:10.5194/hess-24-5985-2020

Assessing the capabilities of the Surface Water and Ocean Topography (SWOT) mission for large lake water surface elevation monitoring under different wind conditions

2020· article· en· W3111407686 sur OpenAlexafffundabout
Jean Bergeron, Gabriela Siles, Robert Leconte, Mélanie Trudel, Damien Desroches, Daniel L. Peters

Notice bibliographique

RevueHydrology and earth system sciences · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensEnvironment and Climate Change CanadaUniversity of VictoriaUniversité de Sherbrooke
Organismes subventionnairesCanadian Space Agency
Mots-clésSWOT analysisEnvironmental scienceElevation (ballistics)Ocean surface topographySatelliteSurface waterHydrology (agriculture)Remote sensingGeologyClimatologyEnvironmental engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract. Lakes are important sources of freshwater and provide essential ecosystem services. Monitoring their spatial and temporal variability, and their functions, is an important task within the development of sustainable water management strategies. The Surface Water and Ocean Topography (SWOT) mission will provide continuous information on the dynamics of continental (rivers, lakes, wetlands and reservoirs) and ocean water bodies. This work aims to contribute to the international effort evaluating the SWOT satellite (2022 launch) performance for water balance assessment over large lakes (e.g., >100 km2). For this purpose, a hydrodynamic model was set up over Mamawi Lake, Canada, and different wind scenarios on lake hydrodynamics were simulated. The derived water surface elevations (WSEs) were compared to synthetic elevations produced by the Jet Propulsion Laboratory (JPL) SWOT high resolution (SWOT-HR) simulator. Moreover, water storages and net flows were retrieved from different possible SWOT orbital configurations and synthetic gauge measurements. In general, a good agreement was found between the WSE simulated from the model and those mimicked by the SWOT-HR simulator. Depending on the wind scenario, errors ranged between approximately −2 and 5 cm for mean error and from 30 to 70 cm root mean square error. Low spatial coverage of the lake was found to generate important biases in the retrievals of water volume or net flow between two satellite passes in the presence of local heterogeneities in WSE. However, the precision of retrievals was found to increase as spatial coverage increases, becoming more reliable than the retrievals from three synthetic gauges when spatial coverage approaches 100 %, demonstrating the capabilities of the future SWOT mission in monitoring dynamic WSE for large lakes across Canada.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,119
Score d'incertitude au seuil0,654

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,259
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHydrology and earth system sciencesMême sujetFlood Risk Assessment and ManagementTravaux en français237 207