Evaluation of ICESat-2 Laser Altimetry for Inland Water Level Monitoring: A Case Study of Canadian Lakes
Notice bibliographique
Résumé
This study evaluates the ICESat-2 ATL13 altimetry product for water level estimation in 182 Canadian lakes by integrating satellite-derived observations with in situ measurements and applying spatial filtering based on the HydroLAKES dataset. Statistical metrics, including root mean square error (RMSE), mean absolute error (MAE), and mean bias error (MBE), were employed to quantify the discrepancies between datasets. Notably, the application of HydroLAKES filtering reduced the mean RMSE from 1.53 m to 1.40 m, and further exclusion of high-error cases lowered the RMSE to 0.96 m. Larger, deeper lakes exhibited lower error margins, whereas smaller lakes with complex shorelines were more prone to variability. Regression analysis confirmed an excellent correspondence between satellite and gauge measurements (R² = 0.9999; Pearson’s r = 0.9999, p < 0.0001). Temporal analysis revealed water level declines in 134 lakes and increases in 48 lakes, suggesting potential influences of climatic variability and anthropogenic activity. These findings underscore the promise of integrating ICESat-2 altimetry with HydroLAKES-based filtering for robust inland water monitoring, while also highlighting the need for further refinement in data-processing algorithms and site-specific calibration.
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 | 0,002 | 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 | 0,001 |
| 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 ».