Evaluation of SWOT’s performance for river water level retrieval in the Yangtze River Basin
Notice bibliographique
Résumé
Remotely sensed monitoring of river levels plays a crucial role in flood risk management and the optimal allocation of water resources. This study employs the Surface Water and Ocean Topography (SWOT) to extract water levels from the Yangtze and its 10 first-order tributaries in the Yangtze River Basin (YRB), China, evaluating its performance across varying river widths and terrain conditions. SWOT effectively captures river water level variations over thousands of kilometres, with a coverage of 79.1% in the upper reaches of the basin and 93.6% in the lower reaches, resulting in an average coverage of 85.7%, and enabling the derivation of river slopes at approximately 200 m resolution. After extracting water level time series at the node scale, topographic correction was applied to reduce the impact of river slope on the error budget, and the results were compared with those from Sentinel-3 and Jason-3. SWOT achieves RMSEs of less than 0.35 m at 18 stations out of the 23 gauging stations, below 0.2 m at 14 stations, and under 0.1 m at 2 stations, with an average RMSE of 0.29 m, outperforming both Sentinel-3 (1.29 m) and Jason-3 (3.13 m). Notably, even in the hydrologically challenging upstream regions, SWOT delivers stable and high-accuracy water level observations, with RMSEs ranging from 0.12 to 0.25 m. The analysis further reveals that river width, river slope and land cover types have a weak impact on SWOT performance. However, the presence of sandbanks, tributaries, and the occurrence of topographic layover effects are the primary causes of relatively large errors at some stations.
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 | 0,003 | 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 ».