Bathymetric measurement of rivers by remote sensing techniques : a review
Notice bibliographique
Résumé
Current river hydraulics or river hydrobiology models integrate 3-D measurements of the riverbed that are mainly obtained from ground topographic survey when sonar is not available. Some specific topographic methods, adapted to river constraints and to models requirements, have even been developed. Such methods allow to obtain accurate measurements of the river immersed topography. However, these methods are time-consuming and necessitate a lot of people in the field. As a consequence, the ratio cost/area covered is very high, and investigation is reduced to small parts of the river. Finally, models cannot be validated for a sufficently representative section of the river. Remote sensing has hence been tested with a view to solve this scale problem. Remote sensing is also a non-contact measurement method which allows to collect data about the river when it cannot be accessed. In this study we propose a bibliographic review of the remote sensing techniques used for river bathymetry. Frequently, these techniques had been developed for marine environment first and then transposed to riverine environments. These techniques can be divided into two types : active remote sensing, such as Ground Penetrating Radar (GPR) and bathymetric LIDAR or passive remote sensing, such as through-water photogrammetry and radiometric models. A brief analysis of the scientific literature shows that the latter technique is the most used. It consists in finding a logarithmic relationship between the river depth and the values of the image spectral bands. Few references exist that deal with the other techniques, typically one or two for each. Moreover, most studies about rivers with remote sensing techniques focus on the landscape, or habitat characterization, or even deal with the dry part of the river. Our work is focused on the immersed topography. This paper proposes hence, for each depth measurement method, an explanation of the physical basis and then a review of the results obtained.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».