Reservoir Ice Conditions from Multi-Sensor Remote Sensing and ERA5-Land: The Manicouagan Hydroelectric Reservoir Case Study
Notice bibliographique
Résumé
Reservoir ice can have an important impact on the watershed scale and influence hydraulic operations. On the other hand, hydropower generation can also impact the ice regime. In this study, multi-source satellite and ERA5-land data are used to evaluate ice conditions. Specifically, ice-controlling variables (temperature, water levels), ice regime (cover/deformation, thickness) and their interrelations are assessed for a 5-year period from 2017 to 2021. The methodology is applied to the Manicouagan reservoir, one of the largest hydropower reservoirs in Quebec, Canada. The satellite-based land surface temperatures (LSTs) suggest that winter 2021 was the hottest one. Overall, MODIS and Landsat LSTs agree with the ERA5-land temperatures. Ice backscatter from Sentinel-1 indicates that, in general, the reservoir is completely covered by ice from January to March. A correlation of 0.6 and 0.8 is observed between C- and Ku-band Synthetic Aperture Radar (SAR) signal and ice thickness, respectively. Important ice changes inferred from Differential Interferometric SAR (D-InSAR) occur approximately at the position where the largest ERA5-land ice thickness differences are observed. Winter water levels are also evaluated using satellite altimetric data to verify their influence on the ice dynamics. They show a decreasing tendency as the winter advances.
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 | 0,001 | 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 ».