Comparison of Jason-2/OSTM, SARAL, and ICESat-1 instrument performance with relevance to research/operational programs focussed on continental waters.
Notice bibliographique
Résumé
Standard radar altimetry is applying itself to a number of research and operational-based programs that focus on lakes, reservoirs, river channels and wetland zones. With several decades of surface water level estimates, seasonal and inter-annual variations are being exploited for agriculture and climate analysis. The changes in water heights detected by radar are also used directly as an indicator of hydrologic flux, and are used as input to various algorithms that provide secondary data products including river flow and changes in water storage. Enhanced radar altimetry and laser altimetry (such as SARAL, Cryosat-2, ICESat-1) offers improvements in spatial resolution and accuracy, and multiple data sets allow for cross-validations. Here, we re-examine the performance of the Jason-3 and GLAS altimeters, and compare it to the performance of the AltiKa altimeter with relevance to on-going research and operational programs. Focus is on target acquisition times and elevation accuracy, and the merits of combining data sets. Regions of study include the Yukon River, the Usangu wetlands, and various small lakes, reservoirs and irrigation enclosures around the globe. Applications are both national and international with basin hydrology, conservation of ecosystems, and water resources interests and objectives.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».