Scale-Optimized Surface Roughness for Topographic Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,000 |
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 découle