Effects of digital elevation model resolution on derived stream network positions
Notice bibliographique
Résumé
This study examines the effect of digital elevation model (DEM) resolution on the positional accuracy of derived hydrologic networks and quantitatively confirms that DEM resolution should be greater than the average hillslope length when used for hydrologic modeling. Seven hundred kilometers of mapped stream networks are compared to stream networks derived from 17 DEMs with resolutions ranging from 30 m to 3 km. Comparison between predicted and mapped streams reveals that accuracy of predicted stream locations decays quickly beyond a DEM resolution of 180 m. A new application of Gyasi‐Agyei et al. 's [1995] DEM resolution suitability test based on average slope and vertical resolution indicates an average hillslope length of between 150 and 180 m. Tarboton et al. 's [1991] method of determining average hillslope length based on slope and accumulation areas reconfirms the length to be 150 m and verifies the link between network accuracy and hillslope scale. Two algorithms are used to derive stream networks: the D ∞ algorithm [ Tarboton , 1997 ], which allows for flow dispersion, and the D8 algorithm [ O'Callaghan and Mark , 1984 ], which does not. A comparison between the D8 and D ∞ algorithms shows that modeling flow dispersion is not necessary in steep terrain, as both algorithms performed equally well. However, the D ∞ algorithm is found to be less susceptible to modeling erroneous hillside flow convergence, making it preferable to the D8 algorithm when used by Tarboton et al. 's [1991] method of determining the average hillslope lengths. Finally, field observation indicates that predicted first‐ and second‐order streams tend to exist when predicted; however, mapped streams have a higher positional accuracy.
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 | 0,000 | 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 | 0,000 | 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 | 0,001 |
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 ».