Addressing potential drought resiliency through high-resolution terrain and depression mapping
Notice bibliographique
Résumé
Increasing occurrences of droughts across Europe and elsewhere require landscape-wide water-retention assessments to evaluate water-supply sustainabilities for local and regional use. This article reports on the results of a study designed to digitally delineate, connect and categorize recurring depression wetness across a rurally cultured morainal landscape, at 1 m resolution. To do this, a digital terrain model (DTM, 1 m resolution) was used to locate and characterize each terrain-detectable depression by type, depth, area, and volume, together with their flow-channel connections and upslope flow-accumulation areas. In addition, historical 2008–2017 Google Earth images and a local daily weather report were used to index and verify weather- and season-induced changes in depression wetness based on ground coloration, vegetation coverage, and image date. Developing and applying these procedures by way of a case study revealed (i) that about 90% of the image-indexed depression wetness variations could mostly be attributed to DTM-determined depression type, area and depth, and (ii) that image-recognized wetness variations were consistent with weather-modelled soil moisture projections. The results so obtained can be used to quantify potential drought resiliency in terms water retention volumes per depression. Since the procedures as described have a broad application potential, they can be used globally for drought resiliency evaluations and agricultural water management.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».