Combining high-resolution satellite images and altimetry to estimate the volume of small lakes
Notice bibliographique
Résumé
Abstract. This study presents an approach to determine the volume of water in small lakes (<100 ha) by combining satellite altimetry data and high-resolution (HR) images. The lake being studied is located in the south-west of France and is only used for agricultural irrigation purposes. The altimetry satellite data are provided by RA-2 sensor on board Envisat, and the high-resolution images (<10 m) are obtained from optical (Formosat-2) and synthetic aperture radar (SAR) sensors (Terrasar-X and Radarsat-2) satellites. The altimetry data (data are obtained every 35 days) and the HR images (45) have been available since 2003 and 2010, respectively. In situ data (for the water levels and volumes) going back to 2003 have been provided by the manager of the lake. Three independent approaches are developed to estimate the lake volume and its temporal variability. The first two approaches are empirical and use synchronous ground measurements of the water volume and the satellite data. The results demonstrate that altimetry and imagery can be effectively and accurately used to monitor the temporal variations of the lake (R2altimetry = 0.97, RMSEaltimetry = 5.2%, R2imagery = 0.90, and RMSEimagery = 7.4%). The third method combines altimetry (to measure the lake level) and satellite images (of the lake surface) to estimate the volume changes of the lake and produces the best results (R2 = 0.99) of the three methods, demonstrating the potential of future Sentinel and SWOT missions to monitor small lakes and reservoirs for agricultural and irrigation applications.
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 | 0,003 |
| 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 ».