Digital Elevation Model of coastal and flood plains obtained from vector data: an alternative method applied to the Coatzacoalcos fluvial plain (Mexico)
Notice bibliographique
Résumé
Vector data can be used to generate Digital Elevation Models (DEMs), but in the case of fluvial and coastal plains, according to topographical constrains, the interpolation requires other types of intervention to achieve a result of quality. For Mexico, neither data base check points nor LiDAR Digital Terrain Models (DTMs) are available for such areas, so that vector data are frequently used to generate DEMs. This lack of information led us to propose a method to obtain an alternative DEM by using the available vector data, especially because these fluvial and coastal plains are frequently affected by floods. The RMSE (root mean square error) as well as the standard deviation of the generated DEM are lower (0.0074 and 0.0059) than for the LiDAR DTM (0.0945 and 0.0793). On the other hand, the validation is also based on the comparison of flood simulation applied to the resulting DEM and the corresponding LiDAR DTM. The area covered by the simulated flood is 716.63 km2 for the resulting DEM; meanwhile, an area of 787.82 km2 is obtained using LiDAR DTM. Concerning the volume, this is 1.02 km3 for the DEM and 0.86 km3 for the LiDAR DTM.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 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 ».