MNT à très haute résolution dans les modelés fortement disséqués : des données aux tests d’application
Bibliographic record
Abstract
Les MNT à très haute résolution spatiale sont désormais accessibles pour des secteurs fortement disséqués comme les badlands. Ces représentations numériques de l’altimétrie sous une forme spatialisée sont porteuses d’utilisations multiples et nouvelles pour la connaissance, le suivi et la modélisation des zones érodées. Nous explorons ici des MNT à très haute résolution spatiale, c’est à dire avec des résolutions de quelques centimètres à quelques mètres et avec des qualités de restitution en Z (altitude) meilleures que le mètre. Après une brève présentation des techniques d’acquisition de ces MNT à partir d’images stéréoscopiques ou du Lidar et des précisions qui leur sont associées, on rappelle quelles sont les transformées de l’altitude utiles pour la morphologie. Afin de montrer quelques-unes des possibilités qu’ouvrent ces nouvelles données, diverses applications, menées sur les petits bassins versants marneux de l’Observatoire de Recherche et d’Expérimentation de Draix (Alpes, France), sont détaillées. Elles ont trait, d’abord, à l’extraction du réseau des talwegs à partir de MNT à 2 m (et de MNT dégradés à 4, 8, 20 mètres) et au calcul de sa dimension fractale pour les résolutions à 2 m et 8 m ; puis au repérage automatique de ravines sur critères morphologiques simples afin d’aider à la localisation d’aménagements anti-érosifs. On montre enfin les potentialités des topographies précises par Lidar terrestre pour repérer d’étroites rigoles, suivre leur évolution, ou établir des bilans d’érosion sur versant alors qu’une précision d’ordre centimétrique est requise.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".