Fusing Digital Elevation Models to Improve Hydrological Interpretations
Notice bibliographique
Résumé
Improving the accuracy of digital elevation is essential for reducing hydro-topographic derivation errors pertaining to, e.g., flow direction, basin borders, channel networks, depressions, flood forecasting, and soil drainage. This article demonstrates how a gain in this accuracy is improved through digital elevation model (DEM) fusion, and using LiDAR-derived elevation layers for conformance testing and validation. This demonstration is done for the Province of New Brunswick (NB, Canada), using five province-wide DEM sources (SRTM 90 m; SRTM 30 m; ASTER 30 m; CDED 22 m; NB-DEM 10 m) and a five-stage process that guides the re-projection of these DEMs while minimizing their elevational differences relative to LiDAR-captured bare-earth DEMs, through calibration and validation. This effort decreased the resulting non-LiDAR to LiDAR elevation differences by a factor of two, reduced the minimum distance conformance between the non-LiDAR and LiDAR-derived flow channels to ± 10 m at 8.5 times out of 10, and dropped the non-LiDAR wet-area percentages of false positives from 59% to 49%, and of false negatives from 14% to 7%. While these reductions are modest, they are nevertheless not only consistent with already existing hydrographic data layers informing about stream and wet-area locations, they also extend these data layers across the province by comprehensively locating previously unmapped flow channels and wet areas.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».