Automated Mapping of Transportation Embankments in Fine-Resolution LiDAR DEMs
Notice bibliographique
Résumé
Fine-resolution LiDAR DEMs can represent surface features such as road and railway embankments with high fidelity. However, transportation embankments are problematic for several environmental modelling applications, and particularly hydrological modelling. Currently, there are no automated techniques for the identification and removal of embankments from LiDAR DEMs. This paper presents a novel algorithm for identifying embankments in LiDAR DEMs. The algorithm utilizes repositioned transportation network cells as seed points in a region-growing operation. The embankment region grows based on derived morphometric parameters, including road surface width, embankment width, embankment height, and absolute slope. The technique was tested on eight LiDAR DEMs representing subsections of four watersheds in southwestern Ontario, Canada, ranging in size from 16 million cells to 134 million cells. The algorithm achieved a recall greater than or equal to 90% for seven of the eight DEMs, while achieving a Pearson’s phi correlation coefficient greater than 80% for five of the eight DEMs. Therefore, the method has moderate to high accuracy for identifying embankments. The processing times associated with applying the technique to the eight study site DEMs ranged from 1.4 s to 20.3 s, which demonstrates the practicality of using the embankment mapping tool in applications with data set sizes commonly encountered in practice.
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 ».