Evaluation of ICESat-2 Laser Altimetry for Inland Water Level Monitoring: A Case Study of Canadian Lakes
Notice bibliographique
Résumé
This study evaluates the performance of the ICESat-2 ATL13 altimetry product for estimating water levels in 182 Canadian lakes by integrating satellite-derived observations with in situ gauge measurements and applying spatial filtering using the HydroLAKES dataset. The analysis compares ATL13-derived lake surface elevations with hydrometric data from national monitoring stations, providing a robust framework for assessing measurement accuracy. Statistical metrics—including root mean square error (RMSE), mean absolute error (MAE), and mean bias error (MBE)—are employed to quantify discrepancies between the datasets. Importantly, the application of HydroLAKES-based filtering reduces the mean RMSE from 1.53 m to 1.40 m, and the further exclusion of high-error lakes lowers it to 0.96 m. Larger and deeper lakes exhibit lower error margins, while smaller lakes with complex shorelines show greater variability. Regression analysis confirms the excellent agreement between satellite and gauge measurements (R2 = 0.9999; Pearson’s r = 0.9999, n = 182 lakes, p < 0.0001). Temporal trends reveal declining water levels in 134 lakes and increasing levels in 48 lakes from 2018 to 2024, potentially reflecting climatic variability and human influence. These findings highlight the potential utility of ICESat-2 ATL13 altimetry for large-scale inland water monitoring when combined with spatial filtering techniques such as HydroLAKES.
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 ».