Model Sensitivity to Topographic Uncertainty in Meso- and Microtidal Marshes
Notice bibliographique
Résumé
Light detection and ranging (Lidar) derived digital elevation models are widely used in modeling coastal marsh systems. However, the topographic error in these models can affect simulations of marsh coverage and characteristics. We investigated the relevance and impact of this error in micro- and mesotidal systems. Lidar-derived and RTK-adjusted topography were each used in a dynamic marsh model, and the resulting marsh coverages were examined. For two microtidal sites (Apalachicola, FL, USA, and Grand Bay, MS, USA) using solely lidar-derived topography, the model produced Cohen Kappa values of 0.1 for both estuaries when compared with National Wetland Inventory data indicating “very poor agreement.” Applying the RTK-adjusted topography improved the model marsh coverage results to “substantial agreement” with the values to 0.6 and 0.77, respectively. The mesotidal site in Plum Island, MA, USA, contained similar topographic errors, but the model produced a Cohen Kappa value of 0.73, which categorized it as “very good agreement” with no need for a further topographic adjustment given its present robust biomass productivity. The results demonstrate that marsh models are sensitive to topographic errors when the errors are comparable to the tidal range. The particular sensitivity of the modeling results to topographic error in microtidal systems highlights the need for close scrutiny of lidar-derived topography.
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 | 0,000 |
| 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 ».