Predicting and Mapping Daily Lake Surface Topography by Integrating SWOT Swath Observations with Multi-mission Satellite Radar Altimetry
Notice bibliographique
Résumé
Large lakes exhibit spatial variations in water levels, leading to distinct lake surface topography. Accurate characterization of lake surface topography enables improved understanding of lake dynamics, hydrological exchanges with surrounding ecosystems, and water balance assessments. Satellite radar altimetry has been widely used in monitoring lake water. Most radar altimetry missions carry a nadir-looking profiling altimeter that measures water level only along their fixed ground tracks, leaving huge data gaps between their ground tracks. The recently launched Surface Water and Ocean Topography (SWOT) mission has produced wide swath 2D elevation measurements at high spatial resolution over the water bodies on a global scale. However, its long repeat cycle of 21 days limits the temporal frequency of observations. In this study, we present a method to map lake surface topography on a near-daily basis by integrating 2D SWOT observations with 1D radar altimetry observations. The method consists of three components. First, the inter-mission biases between each of the four operational radar altimetry missions (i.e., Jason-3, Sentinel-3A, -3B, and Sentinel-6) and SWOT are estimated based on their concurrent and co-located overpasses. Second, the intra-lake spatial pattern of water surface topography is derived by applying an Empirical Orthogonal Function (EOF) to the time series of daily SWOT wide-swath measurements. Third, the SWOT-calibrated profiling altimetry measurements from each radar altimetry mission were then propagated to the entire lake based on the spatial pattern from SWOT observations. Our method has been successfully applied to Lake Ontario, generating near-daily, high-accuracy time series maps of water surface topography.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».