Measuring Hyperscale Topographic Anisotropy as a Continuous Landscape Property
Notice bibliographique
Résumé
Several landforms are known to exhibit topographic anisotropy, defined as a directional inequality in elevation. The quantitative analysis of topographic anisotropy has largely focused on measurements taken from specific landforms, ignoring the surrounding landscape. Recent research has made progress in measuring topographic anisotropy as a distributed field in natural landscapes. However, current methods are computationally inefficient, as they require specialized hardware and computing environments, or have a limited selection of scales that undermines the feasibility and quality of multiscale analyses by introducing bias. By necessity, current methods operate with a limited set of scales, rather than the full distribution of possible landscapes. Therefore, we present a method for measuring topographic anisotropy in the landscape that has the computational efficiency required for hyperscale analysis by using the integral image filtering approach to compute oriented local topographic position (LTP) measurements, coupled with a root-mean-square deviation (RMSD) model that compares directional samples to an omnidirectional sample. Two tools were developed: One to output a scale signature for a single cell, and the other to output a raster containing the maximum anisotropy value across a range of scales. The performances of both algorithms were tested using two data sets containing repetitive, similarly sized and oriented anisotropic landforms, including a dune field and a drumlin field. The results demonstrated that the method presented has the robustness and sensitivity to identify complex hyperscale anisotropy such as nested features (e.g., a drumlin located within a valley).
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 | 0,000 | 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) | 0,001 | 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 ».