Understanding Water Level Changes in the Great Lakes by an ICA-Based Merging of Multi-Mission Altimetry Measurements
Notice bibliographique
Résumé
Accurately monitoring spatio-temporal changes in lake water levels is important for studying the impacts of climate change on freshwater resources, and for predicting natural hazards. In this study, we applied multi-mission radar satellite altimetry data from the Laurentian Great Lakes, North America to optimally reconstruct multi-decadal lake-wide spatio-temporal changes of water level. We used the results to study physical processes such as teleconnections of El Niño and southern oscillation (ENSO) episodes over approximately the past three-and-a-half decades (1985–2018). First, we assessed three reconstruction methods, namely the standard empirical orthogonal function (EOF), complex EOF (CEOF), and complex independent component analysis (CICA), to model the lake-wide changes of water level. The performance of these techniques was evaluated using in-situ gauge data, after correcting the Glacial Isostatic Adjustment (GIA) process using a contemporary GIA forward model. While altimeter-measured water level was much less affected by GIA, the averaged gauge-measured water level was found to have increased up to 14 cm over the three decades. Our results indicate that the CICA-reconstructed 35-year lake level was more accurate than the other two techniques. The correlation coefficients between the CICA reconstruction and the in situ water-level data were 0.96, 0.99, 0.97, 0.97, and 0.95, for Lake Superior, Lake Michigan, Lake Huron, Lake Erie, and Lake Ontario, respectively; ~7% higher than the original altimetry data. The root mean squares of errors (RMSE) were 6.07 cm, 4.89 cm, 9.27 cm, 7.71 cm, and 9.88 cm, respectively, for each of the lakes, and ~44% less than differencing with the original altimetry data. Furthermore, the CICA results indicated that the water-level changes in the Great Lakes were significantly correlated with ENSO, with correlation coefficients of 0.5–0.8. The lake levels were ~25 cm higher (~30 cm lower) than normal during EI Niño (La Niña) events.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».