Global seasonal lake dynamics and phenology revealed by SWOT observations
Notice bibliographique
Résumé
Lakes and reservoirs are among the most widespread inland water repositories. A conservative estimate from the SWOT Prior Lake Database (PLD) identifies nearly 6 million permanent and intermittent lakes larger than 1 ha worldwide, of which at least 8-9% are artificial reservoirs. These water bodies span diverse landscapes and climate zones, with their storage dynamics reflecting a complex interplay of hydrological processes and human interventions. However, the sheer number of lakes presents a significant observational challenge for geodetic satellites. Consequently, most global studies on lake storage dynamics have focused either on interannual trends in a limited number of large lakes (typically a few thousand) or on intra-annual variability across a broader set of lakes but with sparse temporal resolution (often averaging few than five observations per lake per year). While tracking interannual trends remains essential, improving intra-annual observations is critical for capturing the role of lakes in regulating seasonal flow regimes, buffering terrestrial water storage, and mediating carbon and energy fluxes. For reservoirs, tracking intra-annual variability is especially important for inferring operational practices and mitigating seasonal water disparities. Here, we leverage the first two years of SWOT science data to advance the understanding of Earth’s transient seasonal water storage in millions of lakes and reservoirs, through two complementary typological frameworks: origin-based and behavior-based. First, we adopt a conventional, origin-based typology, which differentiates among reservoirs, glacial lakes, and other natural lakes, to assess intra-annual storage dynamics across these predefined lake classes. This approach helps reveal spatial patterns and aids interpretation of their underlying mechanisms. However, we argue that origin-based typology alone is insufficient to capture the intertwined complexity of global lake behaviors. To address this limitation, we introduce the first global lake typology based on observed water level phenology. This behavior-based typology provides a novel lens for understanding the diverse ways in which lakes respond to, and modulate, regional hydroclimatic variability and anthropogenic influences. Together, these two perspectives demonstrate SWOT’s unprecedented capability to illuminate nuanced dimensions of seasonal lake dynamics, offering an essential step forward for limnological science and the monitoring of lacustrine environments at the global scale.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».