Evaluating SWOT inland water surface elevation with gage information in the United States and Canada
Notice bibliographique
Résumé
The Surface Water and Ocean Topography (SWOT) mission enables transformative approaches to water resources management by offering high-resolution water surface elevation data and extents from novel satellite radar technology. This study presents the first large-scale assessment of SWOT water surface elevation data across the United States and Canada, evaluating elevation accuracy against in situ gage data. We compare SWOT Level 2 Hydrology data products (Version C) to in situ timeseries of water elevation using 421,677 paired observations across 2,143 river and 659 lake and reservoir gages. Data accuracy and temporal coverage of SWOT observations are explored as functions of various data quality filters. Paired measurements (median-normalized) of SWOT and in situ observations resulted in 68th percentile absolute elevation differences of 18.32 cm, 17.08 cm, and 7.79 cm for river reach, river node, and lake data, respectively, with an overall combined difference of 16.97 cm for filtered observations (79,909; 19% of total potential data volume). Here we emphasize the importance of applying quality filters (both self-reported and exogenous) to SWOT Version C data, with 68th percentile absolute elevation differences ranging from 61.23 cm to 75.93 cm for the full dataset. Filtering also improves the correlation statistics between SWOT and in situ water surface elevation data, increasing R2 values from 0.04 to 0.83. Overall, we find that SWOT river and lake elevations meet SWOT data accuracy requirements (elevation accuracies within 10 and 25 cm) with adherence to SWOT quality flags.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 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 ».