Sensitivity of watershed attributes to spatial resolution and interpolation method of LiDAR DEMs in three distinct landscapes
Notice bibliographique
Résumé
Abstract This study investigates scaling relationships of watershed area and stream networks delineated from LiDAR DEMs. The delineations are tested against spatial resolution, including 1, 5, 10, 25, and 50 m, and interpolation method, including Inverse Distance Weighting (IDW), Moving Average (MA), Universal Kriging (UK), Natural Neighbor (NN), and Triangular Irregular Networks (TIN). Study sites include Mosquito Creek, Scotty Creek, and Thomas Brook, representing landscapes with high, low, and moderate change in elevation, respectively. Results show scale‐dependent irregularities in watershed area due to spatial resolution at Thomas Brook and Mosquito Creek. The highest sensitivity of watershed area to spatial resolution occurred at Scotty Creek, due to high incidence of LiDAR sensor measurement error and subtle changes in elevation. Length of drainage networks did not show a scaling relationship with spatial resolution, due to algorithmic complications of the stream initiation threshold. Stream lengths of main channels at Thomas Brook and Mosquito Creek displayed systematic increases in length with increasing spatial resolution, described through an average fractal dimension of 1.059. The scaling relationship between stream length and DEM resolution allows estimation of stream lengths from low‐resolution DEMs in the absence of high‐resolution DEMs. Single stream validation at Thomas Brook showed the 1 m DEM produced the lowest length error and highest spatial accuracy, at 3.7% and 71.3%, respectively. Single stream validation at Mosquito Creek showed the 25 m DEM produced the lowest length error, and the 1 m DEM the highest spatial accuracy, at 0.6% and 61.0%, respectively.
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 | 0,005 | 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 | 0,001 |
| 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 ».