An assessment of the potential for cloud computing and satellite thermal infrared sensing to produce meaningful river temperature insights for hydropower operations
Notice bibliographique
Résumé
Hydropower interacts heavily with river temperature to; meet regulations, maximise profits, and maintain dam safety. Often the operational decisions that dictate this interaction are made without monitoring of river temperature, and so it is proposed that satellite remote sensing may provide a quasi-regular cost-effective method to improve this. This dissertation assesses the viability of using Google Earth Engine cloud computing and Landsat 8 Thermal Infrared satellite measurements to provide actionable insights for hydropower managers. The method was tested in three large rivers (the Saint John River in Canada, the Colorado River in the USA, and the Ganges in India) to assess transferability. No previous study has attempted to extract river temperature from multiple sites in a single study. Three different methods were tested to find the most accurate atmospheric correction algorithm for the task of river temperature measurement. The Statistical Mono-Window algorithm was found to produce the most accurate comparison to kinetic temperature loggers on the Saint John River (±2oc) with a R2 value of 0.96 (n=40, p<0.001). However, this method was not transferable to the Colorado River indicating application in rivers without validation data should be carried out with caution. A Python Package named SatTemp (Valman, 2021b) was developed to assist hydropower operators in implementing the method along with a dashboard app to disseminate results (Valman, 2021a). Concerns were raised with the “black box” nature of Google Earth Engine and this App, meaning that errors and nuances in the method may be missed. These would need to be addressed before this method can be provided to hydropower operators.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 tête enseignante, 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 ».