Mapping Seasonal Inundation Frequency (1985–2016) along the St-John River, New Brunswick, Canada using the Landsat Archive
Notice bibliographique
Résumé
Extreme flood events in recent years in Canada have highlighted the need for historical information to better manage future flood risk. In this paper, a methodology to generate flood maps from Landsat to determine historical inundation frequency is presented for a region along the St-John River, New Brunswick, Canada that experiences annual springtime flooding from snowmelt and river ice. 1985–2016 Landsat data from the USGS archive were classified by combining See5 decision trees to map spectrally variable water due to spring ice and sediment, and image thresholding to map inundated floodplains. Multiple scenes representing each year were overlaid to produce seasonal time-series of spring (March–May) and summer (June–August) maximum annual water extents. Comparisons of annual surface water maps were conducted separately for each season against historical hydrometric water depth as a measure of relative springtime flood severity, and 1 m water masks from digital orthophotos were used to perform a formal accuracy assessment of summer water. Due to Landsat’s 16-day revisit time, peak flood depth was poorly related to flood extent; however, spring depth measured during Landsat acquisitions was significantly related to extent (tau = 0.6, p-value < 0.001). Further, summer maps validated against 30 m water fractions scaled from 1 m water masks were over 97% accurate. Limitations with respect to the assessment of flood extent from depth, timing differences between peak flood depth and extent due to Landsat revisit time and cloud cover, and suggestions to overcome limitations through multi-sensor integration including radar are discussed.
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 | 0,000 | 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 | 0,002 | 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 ».