Assessing Digital Elevation Model Uncertainty Using GPS Survey Data
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
The use of terrain and elevation data is critical for a number of applications in science and engineering. Typically, the quality of digital elevation models (DEMs) is assessed using external and independent point data sources to arrive at an overall RMS value for the errors. The utility of such a single-valued overall assessment depends on the spatial extent of the area under consideration and the terrain variability (both over time and space), as well as the application requirements. This paper aimed to understand the suite of parameters that are important to consider in deriving a DEM error budget. Specifically, terrain slope, land-cover type, information loss, and data measurement schemes were investigated. A region in western Canada spanning the Rocky Mountains was used to numerically quantify errors using two Global Positioning System (GPS) datasets: precise point positioning (PPP) profiles and GPS on benchmarks. Three digital elevation models [Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Global Digital Elevation Model Version 2 (GDEM2), Shuttle Radar Topography Mission 1 Arc-Second Digital Elevation Model Version 3 (SRTM1v3), and Canadian Digital Elevation Model (CDEM)] were assessed. Results highlight the importance of selecting ground-control points based on the region’s characteristics (e.g., slope, tree cover). This leads to more representative RMS values that improve DEM uncertainty estimations. Finally, a mathematical method [projection onto convex sets (POCS)] for filling data gaps in the GPS data profiles was implemented, and results demonstrate the utility of this approach over conventional interpolation schemes.
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 | 0,001 | 0,001 |
| 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 | 0,002 |
| 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 découle