A Combined Approach for Monitoring Monthly Surface Water/Ice Dynamics of Lesser Slave Lake Via Earth Observation Data
Notice bibliographique
Résumé
Surface water/ice dynamic monitoring is crucial for many purposes, such as water resource management, agriculture, climate change, drought, and flood forecasting. New advances in remote sensing satellite data have made it possible to monitor the surface water/ice dynamics both spatially and temporally. However, there are many challenges when using these data, such as the availability of valid imagery, cloud contamination issues for Landsat-8, and sensitivity of Sentinel-1 C-band to wind speed, topography, and others. A combined methodology using Landsat-8 and Sentinel-1 Synthetic Aperture Radar (SAR) data was proposed to create monthly change maps at 30 m spatial resolution for the Lesser Slave Lake in Alberta, Canada, for the period 2017-2020. The potentials of multi-spectral indices for Landsat-8, such as the Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), and Modified NDWI (MNDWI) as well as the Sentinel-1 SAR backscattering coefficients (VV-VH) and Normalized Difference Polarized Index (NDPI) for separating water/ice from the land were investigated. The results obtained from satellite data with historical discharge and water level measurements for the lake were compared. Furthermore, the results show that the MNDWI and VH are the most effective indices for creating the change maps. The overall accuracies achieved for MNDWI and VH are 92.10% and 68.86% for cold months and 99.88% and 98.49% for warm months, respectively.
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 | 0,000 | 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 ».