Simulation des données SWOT haute résolution et applications à l'étude de l'estuaire de l'Amazone
Notice bibliographique
Résumé
La thèse se déroule dans le cadre de la préparation de la mission spatiale SWOT (Surface Water Ocean Topography). Cette mission est née d'une collaboration entre la NASA/JPL (National Aeronautics and Space Administration/Jet Propulsory Laboratory), le CNES (Centre National d'Etudes Spatiales), et l'ASC-CSA (Agence Spatiale Canadienne), son lancement est envisagé pour 2019. Il s'agit d'un interféromètre en bande Ka à visée proche nadir (0.6°- 4.1°). Elle aura pour but d'aider à mieux comprendre l'évolution des eaux de surface (variations de volume des lacs, des rivières, évaluation des zones inondables...) et la dynamique des océans à méso-échelle (tourbillons) grâce au passage d'une résolution de 10km à 1km. \nAfin de déterminer l'apport de la mission SWOT à l'étude de l'estuaire amazonien plusieurs outils de simulation ont été développés. Un premier outil modélisant les coefficients de rétrodiffusion radar pour trois types de surface (eau, sols nus et végétation) issue d'une étude CNES et la société Capgemini a permis de définir les conditions limites pour lesquelles l'eau ne serait plus discernable des autres milieux. Ce modèle a permis de mettre en évidence la sensibilité de la bande Ka aux paramètres de rugosité. \nLe phénomène de layover, mélange d'informations de plusieurs contributeurs dans un même pixel à cause du relief, sera plus présent dans les futures données SWOT que dans les radars imageurs existants. Or les fleuves ou les lacs sont généralement bordés d'arbres. Pour estimer les erreurs sur l'estimation des élévations des surfaces d'eau, j'ai développé un simulateur interférométrique incluant des modèles de rétrodiffusion radar simplifiés pour la végétation et l'eau. Cet outil m'a permis d'évaluer la sensibilité de la bande Ka à la densité de la végétation. Ainsi que de mettre en évidence la capacité de SWOT à détecter les zones d'inondations sous la canopée. Lorsque la forêt est inondée, l'estimation de hauteur des arbres est très faible par rapport aux résultats obtenus sans inondation : par exemple pour une fraction de trou de 10% (végétation dense), les élévations obtenues sont de l'ordre de 1m57 pour des arbres de 5m, au lieu de 4m50. \nPour évaluer l'apport de SWOT à l'étude de l'estuaire de l'Amazone. Je me suis basé sur le simulateur mis en place par S. Biancamaria pendant sa thèse (soutenue en 2009). Les erreurs de l'instrument étaient assimilées à un bruit blanc, d'écart-type fixé à 20cm. Afin d'avoir des erreurs plus réalistes, je l'ai complété en insérant les erreurs inspirées des bilans de performance. Ce simulateur présente l'avantage de reproduire directement les élévations d'eau. Il a été utilisé dans plusieurs études, dont une assimilation au niveau du fleuve de l'Ohio par K. Andreadis. Dans le cas de mon site d'étude, il m'a permis d'évaluer la capacité de SWOT à mesurer la pente du fleuve et observer la propagation de la marée à l'intérieur du fleuve.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».