The influence of roads on depressional storage capacity estimates from high-resolution LiDAR DEMs in a Canadian Prairie agricultural basin
Notice bibliographique
Résumé
The Canadian Prairies are a post-glacial agricultural landscape, where millions of small depressions store surface water, form wetlands and control runoff contributing area. Their management is key to flood and drought hydrology, groundwater recharge, ecological integrity, migratory bird habitat and agricultural productivity. Depression drainage and infilling is common in the region, where it is often used to increase cropped area. The regularly spaced, rural ‘grid-road‘ network also impedes drainage, but associated culvert drainage can mitigate those effects. Management of depressions can be informed by hydrological modelling, but accurate surface water storage capacity estimates are needed to ensure accurate model results. Simple representation of road embankments in digital elevation models (DEMs) neglects the effects of culvert drainage. Here, a raster-based depression-filling algorithm was used to delineate depressions from three LiDAR-derived DEMs: a 10-m DEM with roads intact, a 2-m DEM with roads intact, and a 2-m DEM with roads breached at culvert locations. Road breaching was conducted manually in the 2-m DEM to remove artifact depressions that form alongside roads where culverts exist. Results indicated that increasing DEM resolution from 10-m to 2-m in a 393.5 km2 basin did not significantly change depression area or storage capacity estimates; however, breaching roads in the 2-m DEM decreased depression area by 29% (from 98.5 km2 to 69.8 km2) and estimated storage capacity by 48% (from 47.4 × 106 m3 to 23.8 × 106 m3), compared to leaving roads intact in the 2-m DEM. Depressions delineated from the 2-m roads-breached DEM also covered 48% more area and offered 53% more storage capacity than Canadian Wetland Inventory (CWI) aerial-photograph delineated wetlands, which occupied 47.1 km2 with an estimated storage capacity of 15.5 × 106 m3. The implications of these results for the ability of hydrological models to calculate runoff contributing areas and streamflow are discussed.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 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 ».