LiDAR DEM Smoothing and the Preservation of Drainage Features
Notice bibliographique
Résumé
Fine-resolution Light Detection and Ranging (LiDAR) data often exhibit excessive surface roughness that can hinder the characterization of topographic shape and the modeling of near-surface flow processes. Digital elevation model (DEM) smoothing methods, commonly low-pass filters, are sometimes applied to LiDAR data to subdue the roughness. These techniques can negatively impact the representation of topographic features, most notably drainage features, such as headwater streams. This paper presents the feature-preserving DEM smoothing (FPDEMS) method, which modifies surface normals to smooth the topographic surface in a similar manner to approaches that were originally designed for de-noising three-dimensional (3D) meshes. The FPDEMS method has been optimized for application with raster DEM data. The method was compared with several low-pass filters while using a 0.5-m resolution LiDAR DEM of an agricultural area in southwestern Ontario, Canada. The findings demonstrated that the technique was better at removing roughness, when compared with mean, median, and Gaussian filters, while also preserving sharp breaks-in-slope and retaining the topographic complexity at broader scales. Optimal smoothing occurred with kernel sizes of 11–21 grid cells, threshold angles of 10°–20°, and 3–15 elevation-update iterations. These parameter settings allowed for the effective reduction in roughness and DEM noise and the retention of terrace scarps, channel banks, gullies, and headwater streams.
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 | 0,000 |
| 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) | 0,000 | 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 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 ».