Evaluating satellite-based depth mapping for large river monitoring: A case study of Peace River, British Columbia, Canada
Notice bibliographique
Résumé
Accurate and reliable methods to measure water depth are essential for informed river research and management. Remote sensing presents a powerful tool for efficient characterization of fluvial systems, but more research is needed into the applicability of bathymetric mapping in a range of conditions and environments. This study assessed the utility of mapping water depth from satellite imagery in a large, seasonally turbid river. Steps included analysis of relationships between image properties and water depth, assessment of the effects of image pre-processing, and comparison of two methods for calibrating image values to depths. It was determined that spectral depth mapping is applicable in the system, with a depth signal described by the ratio of green to red wavelengths. Pre-processing steps including the automated removal of shadows and water surface reflections and the application of a median filter improved the quality of depth calibrations, and calibration methods gave similar results with errors of 25% of reach average depth. The resulting depth maps reliably captured the overall hydromorphic forms and distribution of habitat features, although results were less reliable in deep areas (> 2 m) due to the saturation of the depth signal. Overall, satellite depth mapping can be an appropriate tool for repeat, broad-scale, long-term large river monitoring in general, and could potentially improve flood inundation models based primarily on subareal LiDAR surveys.
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 ».