Automating nested watershed delineation over the world considering endorheic basins and islands
Notice bibliographique
Résumé
Global-scale nested watershed datasets are foundational for hydrological studies. However, their construction is not yet fully automated, making the process labor-intensive and time-consuming, primarily due to the lack of algorithms capable of encoding endorheic watersheds and islands. This study developed an innovative approach to automating the global delineation of nested watersheds accounting for endorheic basins and islands based on the widely used Pfafstetter coding system. Key advancements include combining adjacent endorheic watersheds into collections for systematic coding and developing automatic hierarchical delineation procedures for islands. This approach makes the delineation of endorheic basins and islands easy, reproducible, and more reasonable. Utilizing this approach, we developed a global nested watershed dataset, named NWEI (Nested Watershed dataset considering Endorheic basins and Islands), based on the Multi-Error-Removed Improved-Terrain (MERIT) Hydro datasets. Compared with the watershed boundaries reported from the Global Runoff Data Center (GRDC), 93% of the 4,301 watersheds globally exhibited relative area errors below 0.05. In comparison to the state-of-the-art HydroBASINS dataset, NWEI demonstrated improved detail and accuracy in delineated watershed boundaries. The automated nature of the proposed approach facilitated the rapid updating of NWEI using newer Digital Elevation Model (DEM) datasets.
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 | 0,000 | 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 ».