Monitoring small reservoirs storage from satellite remote sensing in inaccessible areas
Notice bibliographique
Résumé
Abstract. In river basins with water storage facilities, the availability of regularly-updated information on reservoir level and capacity is of paramount importance for the effective management of those systems. Yet, for the vast majority of reservoirs around the world, storage levels are either not measured or not readily available due to financial, political or legal considerations. This paper proposes a novel approach using Landsat imagery and Digital Elevation Models (DEM) to retrieve information on storage variations in inaccessible regions. Unlike existing approaches, the method does not require any in situ measurement and is appropriate to monitor small, and often undocumented, irrigation reservoirs. It consists of three recovery steps: (i) a 2D dynamic classification of Landsat spectral bands information to quantify the surface area of water, (ii) a statistical correction of DEM data to characterize the topography of each reservoir and (iii) a 3D reconstruction algorithm to correct for clouds and Landsat 7 Scan Line Corrector failure. The method is applied to quantify reservoir storage in the Yarmouk basin in Southern Syria, where ground monitoring is impeded by the ongoing civil war. It is validated against available in situ measurements in neighboring Jordanian reservoirs. Coefficients of determination range from 0.69 to 0.84, and the average relative error from 3 % to 35 % for storage estimations on six Jordanian reservoirs with maximal water surface areas ranging from 0.59 km2 to 3.79 km2.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».