Dem Fusion of Elevation REST API Data in Support of Rapid Flood Modelling
Notice bibliographique
Résumé
Digital elevation models (DEM) are an integral part of flood modelling. High resolution DEM data are not always available or affordable for communities, thus other elevation data sources are explored. While the accuracy of some of these sources has been rigorously tested (e.g., SRTM, ASTER), others, such as Natural Resources Canada’s Canadian Digital Elevation Model (CDEM) and Google and Bings’ Elevation REST APIs, have not yet been properly evaluated. Details pertaining to acquisition source and accuracy are often unreported for APIs. To include these data in geospatial applications and test and reduce uncertainty, data fusion is explored. Thus, this paper introduces a new method of elevation data fusion. The novel method incorporates clustering and inverse distance weighting (IDW) concepts in the computation of a new fusion elevation surface. The results of the individual DEMs and fusion DEMs are compared to high-resolution Light Detection and Ranging (LiDAR) surface and flood inundation maps for two study areas in New Brunswick. Comparison of individual surfaces to LiDAR find that the results meet their posted accuracy specifications, with the Bing data computing the smallest mean bias and the CDEM the smallest RMSE. Fusion of all three surfaces via the proposed method increases the correlation and minimizes both RMSE and mean bias when compared to LiDAR, independent of the terrain, thus producing a more accurate DEM.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».