Extracting topographic characteristics of landforms typical of Canadian agricultural landscapes for agri-environmental modeling. I. Methodology
Notice bibliographique
Résumé
Li, S., Lobb, D. A., McConkey, B. G., MacMillan, R. A., Moulin, A. and Fraser, W. R. 2011. Extracting topographic characteristics of landforms typical of Canadian agricultural landscapes for agri-environmental modeling. I. Methodology. Can. J. Soil Sci. 91: 251–266. Soil and topographic information are key inputs for many agri-environmental models and there are linkages between soil and topography at the field scale. A major source of soil data is soil databases established based on field soil survey. Although both soil and topographic information are recorded in field soil surveys, the nominal nature of the topographic data has limited their use in agri-environmental models. In this study, we developed a methodology to extract various topographic derivatives and to classify the landscape into landform elements with distinctive topographic characteristics based on detailed analyses of fine resolution digital elevation models. Data obtained from these analyses were used to calculate a representative two-dimensional hillslope of five segments, each with a defined length and slope gradient. A set of modal hillslopes was developed to describe topographic variability. Additional topographic parameters, ratios and indices were calculated to reflect different aspects of topographic characteristics and also to build connections between different agri-environmental models. In particular, a topographic complexity index was developed as a quantitative measure of the degrees of divergence and convergence. This paper describes the methodology using one site as an example. Application of this methodology to other landforms in agricultural land of Canada is reported in a companion paper.
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 ».