Efficient hybrid breaching-filling sink removal methods for flow path enforcement in digital elevation models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Digital elevation models (DEMs) that are used in hydrological applications must be processed to remove sinks, mainly topographic depressions. Flow enforcement techniques include filling methods, which raise elevations within depressions, breaching, which carves channels through blockages, and hybrid methods. Despite previous research demonstrating the large impact to DEMs and subsequent analyses of depression filling, it is common practice apply this technique to flow enforcement. This is partly because of the greater efficiency of depression filling tools compared to breaching counterparts, which often limits breaching to applications of small- to moderate-sized DEMs. A new hybrid flow enforcement algorithm is presented in this study. The method can be run in complete breaching, selective breaching (either breached or filled), or constrained breaching (partial breaching) modes, allowing for greater flexibility in how practitioners enforce continuous flow paths. Algorithm performance was tested with DEMs of varying topography, spatial extents, and resolution. The sites included three moderate sized DEMs (52 000 000 to 190 000 000 cells) and three massive DEMs of the Iberian Peninsula, and the Amazon and Nile River basins, the largest containing nearly one billion cells. In complete breaching mode, the new algorithm required 87% of the time needed by a filling method to process the test DEMs, while the selective breaching and constrained breaching modes, operating with maximum breach depth constraints, increased run times by 8% and 27% respectively. Therefore, the new algorithm offers comparable performance to filling and the ability to process massive topographic data sets, while giving practitioners greater flexibility and lowering DEM impact. Copyright © 2015 John Wiley & Sons, Ltd.
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.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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 découle