An assessment of <scp>large‐scale</scp> flood modelling based on <scp>LiDAR</scp> data
Notice bibliographique
Résumé
Abstract Large‐scale flood modelling approaches designed for regional to continental scales usually rely on relatively simple assumptions to represent the potentially highly complex river bathymetry at the watershed scale based on digital elevation models (DEMs) with a resolution in the range of 25–30 m. Here, high‐resolution (1 m) LiDAR DEMs are employed to present a novel large‐scale methodology using a more realistic estimation of bathymetry based on hydrogeomorphological GIS tools to extract water surface slope. The large‐scale 1D/2D flood model LISFLOOD‐FP is applied to validate the simulated flood levels using detailed water level data in four different watersheds in Quebec (Canada), including continuous profiles over extensive distances measured with the HydroBall technology. A GIS‐automated procedure allows to obtain the average width required to run LISFLOOD‐FP. The GIS‐automated procedure to estimate bathymetry from LiDAR water surface data uses a hydraulic inverse problem based on discharge at the time of acquisition of LiDAR data. A tiling approach, allowing several small independent hydraulic simulations to cover an entire watershed, greatly improves processing time to simulate large watersheds with a 10‐m resampled LiDAR DEM. Results show significant improvements to large‐scale flood modelling at the watershed scale with standard deviation in the range of 0.30 m and an average fit of around 90%. The main advantage of the proposed approach is to avoid the need to collect expensive bathymetry data to efficiently and accurately simulate flood levels over extensive areas.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».