Surface Water and Ocean Topography (SWOT) L2_HR_PIXC data processing for lakes
Notice bibliographique
Résumé
Included Files This package includes code for two functional modules, a python envrionment file, along with a standalone executable file. Below is a detailed user guide to help users get started quickly. Executable File (SWOTPIXCProcesser.exe) The archive contains an executable named SWOTPIXCProcesser.exe, which is a compiled version of Function 1 (source code is also provided—see the “Function 1: SWOT PIXC Processing” section below). This executable is designed for users without Python programming experience. It allows users to process SWOT PIXC data and extract Water Surface Elevation (WSE) without setting up a Python environment or installing dependencies. Input parameters is summarized below. Input folder: Folder path, SWOT L2 PIXC data in NetCDF (.nc) format Output folder: Folder path, SWOT L2 PIXC data in .nc format into geolocated points Name (9 characters required): Enter a 9-characters name Lake polygon: Esri Shapefile path, lake boundaries to be processed; can include multiple lake polygons Lake polygon buffer: Esri Shapefile path, lake boundaries buffer zone to be processed; can include multiple polygons Points within lake folder: Folder path, Geolocated PIXC points that fall within lake polygons Final result folder: Folder path, lake WSEs Quick Deployment (Python Environment) This project provides a env.yml file that specifies the Python environment and all required packages. You can create and activate the environment using the following command: conda env create -f env.yml We strongly recommend using this environment to ensure full compatibility with the provided code. Function 1: SWOT PIXC Processing This module includes a script named main.py and two supporting files, nc2shpfile.py and select_points_code0605.py, which contain the necessary functions for data processing. You can modify the data path at the end of main.py to match your file location. A summary of input parameters are listed below: input_folder = 'Folder path, SWOT L2 PIXC data in NetCDF (.nc) format' output_folder = 'Folder path, SWOT L2 PIXC data in .nc format into geolocated points' point_shp_path = 'Folder path, the geolocated points to be processed' polygon_shp_path = 'Esri Shapefile path, lake boundaries to be processed; can include multiple lake polygons' polygon_shp_buffer_path = 'Esri Shapefile path, lake boundaries buffer zone to be processed; can include multiple polygons' result_shp_path = 'Folder path, Geolocated PIXC points that fall within lake polygons' final_result_path = 'Folder path, lake WSEs' Function 2: Layover Intersection Model (LIM) based on observation geometry This module also includes a main_layover.py script, together with the fishnet_statistic.py, extractDEMvalue.py, and ctsV2.py function files. The LIM code estimates the potential layover contribution from multi-terrain scattering by analyzing SWOT PIXC pixels under their incidence angles. A summary of input parameters are listed below: polygon_shp = 'Esri Shapefile path, lake boundaries to be processed' point_shp_folder = 'Esri Shapefile path, Geolocated PIXC points that fall within lake polygon' output_shp_folder = 'Folder path, fishnet Shapefile created' line_shp = 'Esri Shapefile path, SWOT orbit file in Ersi polyline' dem_path = 'GeoTIFF file path, DEM in GeoTIFF format' output_shp2_folder = 'Folder path, layover intersection'
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,219 | 0,141 |
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 ».