Scale-Optimized Surface Roughness for Topographic Analysis
Notice bibliographique
Résumé
Surface roughness is a terrain parameter that has been widely applied to the study of geomorphological processes. One of the main challenges in studying roughness is its highly scale-dependent nature. Determining appropriate mapping scales in topographically heterogenous landscapes can be difficult. A method is presented for estimating multiscale surface roughness based on the standard deviation of surface normals. This method utilizes scale partitioning and integral image processing to isolate scales of surface complexity. The computational efficiency of the method enables high scale sampling density and identification of maximum roughness for each grid cell in a digital elevation model (DEM). The approach was applied to a 0.5 m resolution LiDAR DEM of a 210 km2 area near Brantford, Canada. The case study demonstrated substantial heterogeneity in roughness properties. At shorter scales, tillage patterns and other micro-topography associated with ground beneath forest cover dominated roughness scale signatures. Extensive agricultural land-use resulted in 35.6% of the site exhibiting maximum roughness at micro-topographic scales. At larger spatial scales, rolling morainal topography and fluvial landforms, including incised channels and meander cut banks, were associated with maximum surface roughness. This method allowed for roughness mapping at spatial scales that are locally adapted to the topographic context of each individual grid cell within a DEM. Furthermore, the analysis revealed significant differences in roughness characteristics among soil texture categories, demonstrating the practical utility of locally adaptive, scale-optimized roughness.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».