Flood inundation modeling in ungauged basins using Unmanned Aerial Vehicles imagery.
Notice bibliographique
Résumé
This paper presents a new framework for floodplain inundation modeling in an ungauged basin using unmanned aerial vehicles (UAVs) imagery. This method is based on the integrated analysis of high-resolution ortho-images and elevation data produced by the structure from motion (SfM) technology. To this end, the Flood-Level Marks (FLMs) were created from high-resolution UAV ortho-images and compared to the flood inundated areas simulated using the HEC-RAS hydraulic model. The flood quantiles for 25, 50, 100, and 200 return periods were then estimated by synthetic hydrographs using the Natural Resources Conservation Service (NRCS). The proposed method was applied to UAV image data collected from the Khosban village, in Taleghan County, Iran, in the ungauged sub-basin of the Khosban River. The study area is located along one kilometre of the river in the middle of the village. The results showed that the flood inundation areas modeled by the HEC-RAS were 33%, 19%, and 8% less than those estimated from the UAV’s FLMs for 25, 50, and 100 years return periods, respectively. For return periods of 200 years, this difference was overestimated by more than 6%, compared to the UAV’s FLM. The maximum flood depth in our four proposed scenarios of hydraulic models varied between 2.33 to 2.83 meters. These analyses showed that this method, based on the UAV imagery, is well suited to improve the hydraulic modeling for seasonal inundation in ungauged rivers, thus providing reliable support to flood mitigation strategies.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».