MétaCan
Menu
← Retour à la cohorte
Enregistrement W6967704305 · doi:10.5281/zenodo.11087254

Evaluation of Nadir Radar altimeter in lakes with an area less that 100km2

2024· dataset· en· W6967704305 sur OpenAlexaboutno aff

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2024
Typedataset
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAntibiotic Resistance in Bacteria
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAltimeterNadirWetlandWater levelTransectRadarRadar altimeterElevation (ballistics)

Résumé

récupéré en direct d'OpenAlex

The dataset corresponds to the results of the evaluation of radar nadir altimeter over lakes, wetlands and reservoirs with area less than 100 km2. These results are represented in terms of the Pearson correlation coefficient, R and the unbiased root mean square error, ubRMSE. Data were generated using in-situ observations collected by governmental institutions in the US, Canada, Brazil, and Argentina, as well as data collected by citizens and managed by the project Lake Observations by Citizen Scientists and Satellites. This dataset contains additional properties associated with the lakes. These are lake area, lake water variability over the timeframe evaluated, number of matching observations between the altimeter and the in-situ measurements, number of altimeter data points, transect length, surface roughness surrounding the lakes, and number of water pixels in the vicinity of the lake (5km buffer). Columns are described in the Metadata_Table S2_section2.csv file This project was founded by NASA Citizen Science for Earth Systems (CSESP), grant number 80NSSC22K1913, managed by G. Guala. Data is part of the paper "Evaluation using in-situ observations from national governments and Citizen Scientists suggests nadir altimeters can accurately measure water level changes regardless of lake area" https://doi.org/10.1080/15481603.2025.2543521 Abstract [From the paper]: Water level and water level changes of lentic water bodies such as lakes, wetlands, and reservoirs are rarely available, despite the relevance of these to maintain ecosystems (e.g., by providing drinking water, food, and cultural activities; and by supporting biodiversity). One alternative is to measure water surface elevation with radar nadir altimeters, whose use has increased as the capabilities of measuring inland water bodies have improved. However, their effectiveness has primarily focused on lakes larger than ~100 km2, and the analysis of contributing factors to obtaining high accuracies is typically performed for a few lakes with special cases. We evaluated water surface elevation change from Sentinel-3 and Jason-3 nadir altimeter missions in lakes and reservoirs using in-situ observations from national governmental institutions and the citizen science network from the project Lake Observations by Citizen Scientists and Satellites. Utilizing the accuracy metrics of Pearson correlation coefficient, R, and the unbiased Root Mean Square Error, ubRMSE, over 27 waterbodies, we found a median ubRMSE of 0.15 m and R of 0.88. We combined the results from 61 additional lakes in a Random Forest algorithm with a permutation of importance to evaluate the impact of 7 factors on the accuracy metrics. Although water surface variability was the most contributing factor to the accuracy, we found differences in the order of variables depending on the evaluation metric used. Our results contribute to show the potential of the nadir altimeters to estimate water surface elevation changes in small lakes, present the advantages of using citizen science monitoring, and the relevance of water surface variability in relation to other factors contributing to high altimeter accuracy. Our implementation of the level of importance algorithm shows potential to systematically evaluate the nadir altimeter validation work available in the literature.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,003

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,282
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)→Même sujetAntibiotic Resistance in Bacteria→Travaux en français237 207→