Notice bibliographique
Résumé
This dataset contains data and scripts used to evaluate the agreement between SWOT Water Surface Elevation (WSE) node measurements and a Digital Elevation Model (DEM) from the Government of British Columbia. The comparison is performed through scatter plot visualization and statistical analysis (R², RMSE, MAE, bias) for multiple acquisition dates. Data contents: 'DEM_WSE validation' Comparison Table (.xlsx):A spreadsheet containing side-by-side elevation values from SWOT WSE nodes and corresponding DEM elevations for each acquisition date. LiDAR derived DEM Tile within Study Area (.tif)GeoTIFF tile representing LiDAR derived DEM data used for validation. Raw SWOT nodes (.nc) and nodes after quality flags filtering and clipping to the study area (.shp). Data sources and products SWOT WSE Node Data – Product: SWOT L2_HR_RiverSP_Node, accessed via NASA Earthdata Search DEM – Government of British Columbia, accessed via LiDAR Download Portal Variables WSE (Water Surface Elevation) [m] Elevation (DEM) [m] Time range SWOT acquisition dates: 2024-05-21, 2024-07-12, 2024-08-02, 2024-08-13, 2024-09-08 DEM acquisition date: 2024-05-20 Spatial coverage Study area: Chilcotin River, British Columbia, Canada Approximate bounding box: [51.87084,-122.82549; 51.87078,-122.72822; 51.83110,-122.72724; 51.83110,-122.82544] Script files included: Python Jupyter Notebook (scatter_plot_analysis.ipynb) that produces scatter plots and calculates statistical performance indicators (R², RMSE, MAE, bias) for each acquisition date, enabling direct comparison between SWOT WSE node measurements and DEM elevations.↳ Documented in: README.md
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,025 |
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 ».