GEDTM30: global ensemble digital terrain model at 30 m and derived multiscale terrain variables
Notice bibliographique
Résumé
Production and validation of an open global ensemble digital terrain model (GEDTM30) and derived terrain variables at 1 arc-s spacing grid ($\sim$30 m spatial resolution) is described. Copernicus DEM, ALOS World3D, and object height models were combined in a data fusion approach to generate a globally consistent digital terrain model (DTM). This DTM was then used to compute 15 standard terrain variables across six scales (30, 60, 120, 240, 480 and 960 m). A global-to-local transfer learning model framework with 5° × 5° tiling leveraged globally distributed lidar datasets: ICESat-2 ATL08 (best-fit terrain height) and GEDI02 (lowest mode elevation), totaling over 30 billion training points. A global model was initially fitted using ICESat-2 and GEDI, followed by locally optimized models per tile, ensuring both global consistency and local accuracy. Independent validation shows that GEDTM30 reduces Copernicus DEM RMSE by about 25.4% in built-up areas, 10.0% in regions with 10–50% tree cover, and 27.3% in areas with over 50% tree cover. Compared to state-of-the-art DTMs (MERIT DEM, FABDEM and FathomDEM), GEDTM30 achieves the lowest vertical errors when assessed with GNSS station records, yielding a standard deviation of 7.77 m, an RMSE of 10.69 m, and a mean error of 7.34 m. FathomDEM exhibited the lowest vertical RMSE when validated against independent reference DTMs. GEDTM30 was further used to generate multiscale variables of topography and hydrology through an optimized tiling workflow ($\sim$800 tiles of 600 × 600 km with $\sim$16% overlap) based on the Equi7 grid system. The entire workflow was implemented in Python using GDAL and Whitebox Workflows. Visual inspection confirmed the absence of boundary artifacts and the preservation of hydrologic connectivity. The tiling-based implementation significantly reduces computational costs of generating large-scale DTMs and derived terrain variables. The GEDTM30 dataset and code are publicly available as Cloud-Optimized GeoTIFFs via Zenodo and the OpenLandMap STAC. Further fusion with local lidar-based DTMs and national DTMs is recommended to enhance local accuracy and level of detail.
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 | 0,001 |
| 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 ».