Removal of artifact depressions from digital elevation models: towards a minimum impact approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artifact depressions in digital elevation models (DEMs) interrupt flow paths and alter drainage directions. Techniques for removing depressions should enforce continuous flow paths in a way that requires the least modification of the DEM. Impacts on the spatial and statistical distributions of elevation and its derivatives were assessed for four methods of removing depressions: (1) filling; (2) breaching; (3) a combination of filling and breaching, with breaching constrained to a maximum of two grid cells; (4) a combination of filling and breaching based on an impact reduction approach (IRA). The IRA removes each depression using either filling or breaching, depending on which method has the least impact, in terms of the number of modified cells and the mean absolute difference in the DEM. Analysis of a LiDAR DEM of a landscape on the Canadian Shield showed significant differences in the impacts among the four depression removal methods. Depression filling, a removal method that is widely implemented in geographical information system software, was found to impact terrain attributes most severely. Constrained breaching, which relies heavily on filling for larger depressions, also performed poorly. Both depression breaching and the IRA impacted spatial and statistical distributions of terrain attributes less than depression filling and constrained breaching. The most sensitive landscapes to depression removal were those that contained large (i.e. >10%) flat areas, because of the occurrence of relatively large depressions in these areas. Copyright © 2005 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.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle