A Natural-Rule-Based-Connection (NRBC) Method for River Network Extraction from High-Resolution Imagery
Notice bibliographique
Résumé
This study proposed a natural-rule-based-connection (NRBC) method to connect river segments after water body detection from remotely sensed imagery. A complete river network is important for many hydrological applications. While water body detection methods using remote sensing are well-developed, less attention has been paid to connect discontinuous river segments and form a complete river network. This study designed an automated NRBC method to extract a complete river network by connecting river segments at polygon level. With the assistance of an image pyramid, neighbouring river segments are connected based on four criteria: gap width (Tg), river direction consistency (Tθ), river width consistency (Tw), and minimum river segment length (Tl). The sensitivity of these four criteria were tested, analyzed, and proper criteria values were suggested using image scenes from two diverse river cases. The comparison of NRBC and the alternative morphological method demonstrated NRBC’s advantage of natural rule based selective connection. We refined a river centerline extraction method and show how it outperformed three other existing centerline extraction methods on the test sites. The extracted river polygons and centerlines have a multitude of end uses including rapidly mapping flood extents, monitoring surface water supply, and the provision of validation data for simulation models required for water quantity, quality and aquatic biota assessments. The code for the NRBC is available on GitHub.
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 | 0,000 | 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 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 ».