Discharge Estimation From Dense Arrays of Pressure Transducers
Notice bibliographique
Résumé
Abstract In situ river discharge estimation is a critical component of studying rivers. A dominant method for establishing discharge monitoring in situ is a temporary gauge, which uses a rating curve to relate stage to discharge. However, this approach is constrained by cost and the time to develop the stage‐discharge rating curve, as rating curves rely on numerous flow measurements at high and low stages. Here, we offer a novel alternative approach to traditional temporary gauges: estimating Discharge via Arrays of Pressure Transducers (DAPT). DAPT uses a Bayesian discharge algorithm developed for the upcoming Surface Water Ocean Topography satellite (SWOT) to estimate in situ discharge from automated water surface elevation measurements. We conducted sensitivity tests over 4,954 model runs on five gauged rivers and conclude that the DAPT method can robustly reproduce discharge with an average Nash‐Sutcliffe Efficiency (NSE) of 0.79 and Kling‐Gupta Efficiency of 0.78. Further, we find that the DAPT method estimates discharge similarly to an idealized temporary gauge created from the same input data (NSE differences of less than 0.1), and that results improve significantly with accurate priors. Finally, we test the DAPT method in nine poorly gauged rivers in a realistic and complex field setting in the Peace‐Athabasca Delta, and show that the DAPT method largely outperforms a temporary gauge in this time and budget constrained setting. We therefore recommend DAPT as an effective tool for in situ discharge estimation in cases where there is not enough time or resources to develop a temporary gauge.
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) | 0,000 | 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 ».