MétaCan
Menu
Retour à la cohorte
Enregistrement W1767951798 · doi:10.1029/2000wr000150

Effects of digital elevation model resolution on derived stream network positions

2002· article· en· W1767951798 sur OpenAlexaff
Kevin J. McMaster

Notice bibliographique

RevueWater Resources Research · 2002
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésDigital elevation modelTerrainElevation (ballistics)STREAMSRangingResolution (logic)GeologyAlgorithmDispersion (optics)Scale (ratio)Remote sensingFlow (mathematics)GeodesyGeometryHydrology (agriculture)MathematicsComputer scienceCartographyGeographyGeotechnical engineeringPhysicsOpticsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,036
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,036
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,263
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations122
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetHydrology and Watershed Management StudiesTravaux en français237 207