Large-scale flood modelling based on LiDAR data: a case study in the Southwest Miramichi watershed, New Brunswick, Canada
Notice bibliographique
Résumé
With Canada’s river basins extending over almost 10 million km<sup>2</sup>, producing flood maps sufficiently accurate to be used for planning purposes at a reasonable cost is a challenge. Bathymetric data, in particular, are difficult and expensive to obtain and represent a major challenge for regional or global flood models as it is clearly not realistic to acquire river bathymetry data for large territories. In this study, we present an improved version of a large-scale flood modelling approach developed in Quebec, where bathymetry is estimated from Manning’s equation based on LiDAR data water surface slope, and apply it to network of 512 km of rivers in the Southwest Miramichi watershed in New Brunswick, Canada. Comparison with a HEC-RAS model that did not include bathymetry highlights how crucial it is to correctly assess the bed elevation. When compared to the measured discharge and water level data at a gauging station, the HEC-RAS model systematically overestimates flood levels (bias of 2.36 m) whereas for the large-scale flood model the bias is 0.09 m and the RMSE 0.11 m. The semi-automated large-scale methodology took about 1 hr/km and was able to simulate flood levels for the Southwest Miramichi watershed at an unprecedented accuracy at this scale.
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) | 0,001 | 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 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 ».