A framework for estimating global river discharge from the Surface Water and Ocean Topography satellite mission
Notice bibliographique
Résumé
The forthcoming Surface Water and Ocean Topography (SWOT) mission will vastly expand measurements of global rivers, providing critical new datasets for both gaged and ungaged basins. SWOT discharge products will provide discharge for all river reaches wider than 100 m, but at lower accuracy and temporal resolution than what is possible in situ. In this paper, we describe how SWOT discharge produced and archived by the US and French space agencies will be computed from measurements of river water surface elevation, width, and slope and ancillary data, along with expected discharge accuracy. We present here for the first time a complete estimate of SWOT discharge uncertainty budget, with separate terms for random (standard error) and systematic (bias) uncertainty components in river discharge timeseries. We expect that discharge uncertainty will be less than 30% for two thirds of global reaches and will be dominated by bias. Separate river discharge estimates will combine both SWOT and in situ data; these “gage constrained” discharge estimates can be expected to have lower systematic uncertainty. Temporal variations in river discharge timeseries will be dominated by random error and are expected to be estimated to within 15% for nearly all reaches, allowing accurate inference of event flow dynamics globally, including in ungaged basins. We believe this level of accuracy lays the groundwork for SWOT to enable breakthroughs in global hydrologic science.
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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».