Simulation des données SWOT haute résolution et applications à l'étude de l'estuaire de l'Amazone
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
La thèse se déroule dans le cadre de la préparation de la mission spatiale SWOT (Surface Water Ocean Topography). Cette mission est née d'une collaboration entre la NASA/JPL (National Aeronautics and Space Administration/Jet Propulsory Laboratory), le CNES (Centre National d'Etudes Spatiales), et l'ASC-CSA (Agence Spatiale Canadienne), son lancement est envisagé pour 2019. Il s'agit d'un interféromètre en bande Ka à visée proche nadir (0.6°- 4.1°). Elle aura pour but d'aider à mieux comprendre l'évolution des eaux de surface (variations de volume des lacs, des rivières, évaluation des zones inondables...) et la dynamique des océans à méso-échelle (tourbillons) grâce au passage d'une résolution de 10km à 1km. \nAfin de déterminer l'apport de la mission SWOT à l'étude de l'estuaire amazonien plusieurs outils de simulation ont été développés. Un premier outil modélisant les coefficients de rétrodiffusion radar pour trois types de surface (eau, sols nus et végétation) issue d'une étude CNES et la société Capgemini a permis de définir les conditions limites pour lesquelles l'eau ne serait plus discernable des autres milieux. Ce modèle a permis de mettre en évidence la sensibilité de la bande Ka aux paramètres de rugosité. \nLe phénomène de layover, mélange d'informations de plusieurs contributeurs dans un même pixel à cause du relief, sera plus présent dans les futures données SWOT que dans les radars imageurs existants. Or les fleuves ou les lacs sont généralement bordés d'arbres. Pour estimer les erreurs sur l'estimation des élévations des surfaces d'eau, j'ai développé un simulateur interférométrique incluant des modèles de rétrodiffusion radar simplifiés pour la végétation et l'eau. Cet outil m'a permis d'évaluer la sensibilité de la bande Ka à la densité de la végétation. Ainsi que de mettre en évidence la capacité de SWOT à détecter les zones d'inondations sous la canopée. Lorsque la forêt est inondée, l'estimation de hauteur des arbres est très faible par rapport aux résultats obtenus sans inondation : par exemple pour une fraction de trou de 10% (végétation dense), les élévations obtenues sont de l'ordre de 1m57 pour des arbres de 5m, au lieu de 4m50. \nPour évaluer l'apport de SWOT à l'étude de l'estuaire de l'Amazone. Je me suis basé sur le simulateur mis en place par S. Biancamaria pendant sa thèse (soutenue en 2009). Les erreurs de l'instrument étaient assimilées à un bruit blanc, d'écart-type fixé à 20cm. Afin d'avoir des erreurs plus réalistes, je l'ai complété en insérant les erreurs inspirées des bilans de performance. Ce simulateur présente l'avantage de reproduire directement les élévations d'eau. Il a été utilisé dans plusieurs études, dont une assimilation au niveau du fleuve de l'Ohio par K. Andreadis. Dans le cas de mon site d'étude, il m'a permis d'évaluer la capacité de SWOT à mesurer la pente du fleuve et observer la propagation de la marée à l'intérieur du fleuve.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.003 | 0.005 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.001 | 0.004 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it