Leveraging SWOT observations for global reservoir monitoring
Notice bibliographique
Résumé
Global evaluation of historical and future water security requires models that can accurately simulate reservoir operations, including reservoir storage and release. Reservoir models rely on time series of reservoir operation patterns (inflow, storage, and release) as inputs to estimate key model parameters; however, such in-situ data is limited and therefore spatially scarce. Satellite remote sensing and hydrological modeling offer another avenue for determining reservoir operation patterns. Recently, advances in satellite technology for the Surface Water and Ocean Topography (SWOT) satellite mission have substantially increased the spatial coverage of globally observed reservoirs. Here, we leverage water surface elevation (WSE) observations from SWOT and simulated flows from the Hydrological Modeling and Analysis Platform (HyMAP) to evaluate a globally applicable framework for simulating reservoir operations. In a case study focused on reservoirs in Brazil, we perform a set of experiments to characterize the error of simulated reservoir operations when using different combinations of in-situ, altimeter, and modeled data sources to optimize reservoir model parameters. To have a baseline, we also compare results using SWOT for parameter optimization to results using the global water measurements (GWM) satellite altimeter dataset, which has less spatial coverage but longer WSE time series. Our results indicate that incorporating satellite observations into reservoir parameterization improves simulated releases compared to using HyMAP naturalized flow alone for both SWOT and GWM. We find that using GWM for parameter optimization results in better performance compared to SWOT; however, further analysis suggests that the performance of reservoir operations using SWOT may increase with a longer observation record. Overall, our study suggests that incorporating satellite observations into hydrological models enhances simulated surface water dynamics, and that SWOT holds promise for the global assessments of reservoir operations.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».