Mapping Surface Water Fraction Over the Pan-Tropical Region Using CYGNSS Data
Notice bibliographique
Résumé
A new method, which integrates multi-variable consisting of Soil Moisture (SM) Active Passive (SMAP)-derived SM and vegetation optical depth, the water seasonality, geolocation, digital elevation model, slope, and biomass as inputs and adopts the technique of Bootstrap Aggregation of Regression Trees (BARTs) is proposed for retrieving monthly surface water fraction (SWF) at a spatial resolution of 0.025° from Cyclone Global Navigation Satellite System (CYGNSS) data. The model is trained using Surface Water Microwave Product Series (SWAMPS) data with a coarser resolution of 25 km and then applied to CYGNSS data with an enhanced resolution of 0.025° to generate high-resolution water maps. The resulting CYGNSS SWF (CSWF) maps are evaluated by comparing them with other water data sources, namely SWAMPS, Global Surface Water (GSW), and Global surface water dynamics (GLAD), as well as ground measurements. A quadruple collocation analysis indicates that the CSWF results exhibit the lowest error variance among the four SWF datasets. Furthermore, additional testing with water level measurements demonstrates a strong correlation with station data and clear seasonal patterns. Notably, the CSWF estimates significantly improve spatial coverage compared to both optical data (GSW and GLAD) with enhanced spatial resolution and the coarser SWAMPS data. This study underscores the effectiveness and efficiency of CSWF estimates, highlighting their potential as a valuable complement to existing microwave- and optical-based surface water products.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 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 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 ».