Monitoring reservoir storage using SWOT satellite observations and reservoir operation models
Notice bibliographique
Résumé
Reservoirs play a critical role in water management, yet comprehensive and real-time observations of reservoir storage change remain limited, especially outside the U.S. Observations of two reservoir-related attributes, Water Surface Elevation (WSE) and Surface Area (SA), which can be used to calculate reservoir storage change, are often desynchronized, hindering precise estimation. The recently launched (December 2022) Surface Water and Ocean Topography (SWOT) satellite mission (science observations began August 2023) uses a cutting-edge interferometer to provide global, simultaneous WSE and SA maps of Earth’s water bodies, which can be leveraged to estimate reservoir storage change. We evaluate the accuracy of SWOT-based estimates of reservoir storage change in comparison with in-situ-based observations for 12 reservoirs in the Western U.S., of which four are in California, four are in the Upper Colorado River Basin (UCRB), and four are in the Columbia River Basin (CRB). Our results show that SWOT produces WSE measurements with less than 20 cm MAE (taken across all 12 reservoirs and 19 months of observations) and storage estimates with MAE less than 10%. Model-based reservoir storage estimates (constrained by SWOT observations) can fill temporal gaps accurately and efficiently, even if fewer than one-quarter of SWOT observations are valid. Our results motivate further study of the potential for estimation of reservoir storage change where few or no in-situ observations are available via assimilation of SWOT observations into a reservoir simulation model.
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 ».