Monitoring reservoir water elevation changes using Jason-2/3 altimetry satellite missions: exploring the capabilities of JASTER (Jason-2/3 Altimetry Stand-Alone Tool for Enhanced Research)
Notice bibliographique
Résumé
In the absence of in-situ data, satellite radar altimetry, critical for studies requiring water elevation data, faces challenges in outlier removal over reservoirs, influenced by surrounding land. We present JASTER (Jason Altimetry Stand-Alone Tool for Enhanced Research), an open-source, fully automated tool processing Jason-2/3 altimetry data for water elevation time series generation over a user-defined inland water body. JASTER uses two outlier removal approaches. The first method employs interquartile range (IQR)-based filtering and K-means clustering. The second method incorporates water occurrence (WO) and Digital Elevation Model (DEM)-derived elevation thresholds. The Hampel filter embedded in JASTER further removes non-physical peaks in the time series caused by signal noise. We validated JASTER’s capabilities using 44 Jason altimeter crossings over 37 water bodies in the US and Canada. We assessed the significance of applying water occurrence and elevation thresholds, and investigated how the Hampel filter parameters and satellite crossing lengths affect accuracy. In all case studies, the Hampel filter significantly increased the consistency between JASTER-derived water elevations and in-situ data. Moreover, the DEM + WO-based method outperformed the IQR-based outlier removal approach in some cases where the greater number of altimeter footprints belonged to land instead of water.
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 | 0,002 |
| 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 ».