Generalized Vertical Components of built-up areas from global Digital Elevation Models by multi-scale linear regression modelling
Notice bibliographique
Résumé
The estimation of the vertical components of built-up areas from free Digital Elevation Model (DEM) global data filtered by multi-scale convolutional, morphological and textural transforms are generalized at the spatial resolution of 250 meters using linear least-squares regression techniques. Six test cases were selected: Hong Kong, London, New York, San Francisco, Sao Paulo, and Toronto. Five global DEM and two DEM composites are evaluated in terms of 60 combinations of linear, morphological and textural filtering and different generalization techniques. Four generalized vertical components estimates of built-up areas are introduced: the Average Gross Building Height (AGBH), the Average Net Building Height (ANBH), the Standard Deviation of Gross Building Height (SGBH), and the Standard Deviation of Net Building Height (SNBH). The study shows that the best estimation of the net GVC of built-up areas given by the ANBH and SNBH, always contains a greater error than their corresponding gross GVC estimation given by the AGBH and SGBH, both in terms of mean and standard deviation. Among the sources evaluated in this study, the best DEM source for estimating the GVC of built-up areas with univariate linear regression techniques is a composite of the 1-arcsec Shuttle Radar Topography Mission (SRTM30) and the Advanced Land Observing Satellite (ALOS) World 3D-30 m (AW3D30) using the union operator (CMP_SRTM30-AW3D30_U). A multivariate linear model was developed using 16 satellite features extracted from the CMP_SRTM30-AW3D30_U enriched by other land cover sources, to estimate the gross GVC. A RMSE of 2.40 m and 3.25 m was obtained for the AGBH and the SGBH, respectively. A similar multivariate linear model was developed to estimate the net GVC. A RMSE of 6.63 m and 4.38 m was obtained for the ANBH and the SNBH, respectively. The main limiting factors on the use of the available global DEMs for estimating the GVC of built-up areas are two. First, the horizontal resolution of these sources (circa 30 and 90 meters) corresponds to a sampling size that is larger than the expected average horizontal size of built-up structures as detected from nadir-angle Earth Observation (EO) data, producing more reliable estimates for gross vertical components than for net vertical component of built-up areas. Second, post-production processing targeting Digital Terrain Model specifications may purposely filter out the information on the vertical component of built-up areas that are contained in the global DEMs. Under the limitations of the study presented here, these results show a potential for using global DEM sources in order to derive statistically generalized parameters describing the vertical characteristics of built-up areas, at the scale of 250x250 meters. However, estimates need to be evaluated in terms of the specific requirements of target applications such as spatial population modelling, urban morphology, climate studies and so on.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».