Combining remote sensing with physical flow laws to estimate river channel geometry
Notice bibliographique
Résumé
Abstract A reliable representation of river terrains is essential to river research. Field surveys of river channel geometry are time‐consuming, costly, and logistically constrained and thus would encounter difficulties to achieve sufficient spatial coverage, resolution, and frequency of resurvey. This paper aims to demonstrate an efficient approach to building a river terrain model (RTM), the emphasis being on how to combine bathymetry and topography derived from satellite images captured at different flow stages. A method for calculating the difference between high and low stages (DHLS) based on the uniform‐flow theory is proposed. Calculations are carried out for a 13‐km long meandering section of the gravel‐bed Goulais River in Canada, which features pools and riffles, alternating point bars, and midchannel bars. A RTM for this complex section has been successfully produced. It consists of three data components: bathymetry at low stage, topography at high stage, and DHLS. The results capture realistic characteristics, including thalweg shift, steep outer banks, and gradual inner banks. They also show realistic longitudinal and lateral locations of pools and riffles. To illustrate potential applications of RTM, this paper has computed extreme bed shear stresses at bankfull discharge through hydrodynamics simulations of depth‐averaged flow in the river section and further estimated bed‐sediment grain‐size distributions. The estimates compare well with field measurements. The DHLS can vary significantly along a river channel. The proposed method for determining it is not site‐specific, and hence applicable to other rivers. The novelty of the methodology discussed lies in combining remote sensing techniques with physical flow laws.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 | 0,001 |
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 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 ».