GIS‐evaluation of two slope‐calculation methods regarding their suitability in slope analysis using high‐precision LiDAR digital elevation models
Notice bibliographique
Résumé
Abstract Slope is a metric that is essential to describe surface hydrological processes, including overland flow, soil erosion, and sediment transport. Most commercial GIS have built‐in functions to calculate the slope from Digital Elevation Models (DEMs) by means of average neighbourhood methods that are appropriate for coarse‐resolution DEMs. Emergence of high‐resolution DEMs from LiDAR data creates a need to re‐assess the suitability of existing algorithms for calculating slope in hydrological applications. In this study, we investigate the properties of two different slope‐calculation methods: an average‐neighbourhood‐slope (ANS) and a downhill‐slope (DHS) method. Conceptually, the DHS method provides a more intuitive description of surface water‐flow characteristics in an uneven terrain. DEMs of five different types were used to evaluate the methods, namely a 1‐m and 10‐m resolution DEM interpolated from irregular elevation point‐data generated with conventional photogrammetric techniques, and a 1‐m, 5‐m, and 10‐m resolution DEM derived from LiDAR data. The slopes calculated were summarized for the entire watershed, along mapped streams, and within pre‐defined ‘stream buffers’. Slopes generated for the entire watershed with 1‐m resolution LiDAR DEM indicated that the ANS method on an average produced smaller slopes than the DHS method (0·64°). A similar trend was observed in stream buffers, with greatest slope differences (ΔS) between methods within 20‐m buffers, when the 1‐m LiDAR‐based DEM was used (ΔS= 1·12°). In contrast, the ANS‐calculated slopes along mapped streams were generally larger than those calculated with the DHS method for LiDAR‐based DEMs (ΔS= 0·81°). The results from this study signal the need for caution when estimating slopes along streams from high‐accuracy, LiDAR‐generated DEMs. Copyright © 2011 John Wiley & Sons, Ltd.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».