MétaCan
Menu
Retour à la cohorte
Enregistrement W2564294368 · doi:10.3390/w9010019

Use of Bathymetric and LiDAR Data in Generating Digital Elevation Model over the Lower Athabasca River Watershed in Alberta, Canada

2017· article· en· W2564294368 sur OpenAlexafffundabout
Ehsan H. Chowdhury, Quazi K. Hassan, Gopal Achari, Anil Gupta

Notice bibliographique

RevueWater · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensAlberta Environment and Protected AreasUniversity of Calgary
Organismes subventionnairesUniversity of Alberta
Mots-clésBathymetryDigital elevation modelHydrology (agriculture)WatershedEnvironmental scienceElevation (ballistics)Inverse distance weightingLidarGeologyRemote sensingMultivariate interpolation

Résumé

récupéré en direct d'OpenAlex

The lower Athabasca River watershed is one of the most important regions for Alberta and elsewhere due to fact that it counts for the third largest oil reserve in the world. In order to support the oil and gas extraction, Athabasca River provides most of the required water supply. Thus, it is critical to understand the characteristics of the river and its watershed in order to develop sustainable water management strategies. Here, our main objective was to develop a digital elevation model (DEM) over the lower Athabasca River watershed including the main river channel of Athabasca River (i.e., approximately 128 km from Fort McMurray to Firebag River confluence). In this study, the primary data were obtained from the Alberta Environmental Monitoring, Evaluation and Reporting Agency. Those were: (i) Geoswath bathymetry at 5–10 m spatial resolution; (ii) point cloud LiDAR data; and (iii) river cross-section survey data. Here, we applied spatial interpolation methods like inverse distance weighting (IDW) and ordinary kriging (OK) to generate the bathymetric surface at 5 m × 5 m spatial resolution using the Geoswath bathymetry data points. We artificially created data gaps in 24 sections each in the range of 100 to 400 m along the river and further investigated the performance of the methods based on statistical analysis. We observed that the DEM generated using the both IDW and OK methods were quite similar, i.e., r2, relative error, and root mean square error were approximately 0.99, 0.002, and 0.104 m, respectively. We also evaluated the performance of both methods over individual sections of interest; and overall deviation was found to be within ±2.0 m while approximately 96.5% of the data fell within ±0.25 m. Finally, we combined the Geoswath-derived DEM and LiDAR-derived DEM in generating the final DEM over the lower Athabasca River watershed at 5 m × 5 m resolution.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,458
Score d'incertitude au seuil0,228

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,224
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207