LiDAR topo‐bathymetry for riverbed elevation assessment: A review of approaches and performance for hydrodynamic modelling of flood plains
Notice bibliographique
Résumé
Abstract Topo‐bathymetric LiDAR (TBL) can provide a continuous digital elevation model (DEM) for terrestrial and submerged portions of rivers. This very high horizontal spatial resolution and high vertical accuracy data can be promising for flood plain mapping using hydrodynamic models. Despite the increasing number of papers regarding the use of TBL in fluvial environments, its usefulness for flood mapping remains to be demonstrated. This review of real‐world experiments focusses on three research questions related to the relevance of TBL in hydrodynamic modelling for flood mapping at local and regional scales: (i) Is the accuracy of TBL sufficient? (ii) What environmental and technical conditions can optimise the quality of acquisition? (iii) Is it possible to predict which rivers would be good candidates for TBL acquisition? With a root mean square error (RMSE) of 0.16 m, results from real‐world experiments confirm that TBL provides the required vertical accuracy for hydrodynamic modelling. Our review highlighted that environmental conditions, such as turbidity, overhanging vegetation or riverbed morphology, may prove to be limiting factors in the signal's capacity to reach the riverbed. A few avenues have been identified for considering whether TBL acquisition would be appropriate for a specific river. Thresholds should be determined using geometric or morphological criteria, such as rivers with steep slopes, steep riverbanks, and rivers too narrow or with complex morphologies, to avoid compromising the quality or the extent of the coverage. Based on this review, it appears that TBL acquisition conditions for hydrodynamic modelling for flood mapping should optimise the signal's ability to reach the riverbed. However, further research is needed to determine the percentage of coverage required for the use of TBL as a source of bathymetry in a hydrodynamic model, and whether specific river sections must be covered to ensure model performance for flood mapping.
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 | 0,000 |
| 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 ».