Comparaison des méthodes d'interpolation pour l'é laboration de modèles numé riques d'é lé vation de haute pré cision dans la repré sentation micro-topographique des plaines inondables
Bibliographic record
Abstract
La micro-topographie des zones inondables influence l'étendue des nappes d'eau des secteurs submergés lors des crues. Cette analyse vise à comparer des méthodes d'interpolation pour la réalisation de modèles numériques d'élévation (MNE) de haute précision représentant la micro-topographie des plaines d'inondation. Ces méthodes ont été comparées au moyen d'un système d'information géographique (SIG) afin d'identifier lesquelles apparaissent les plus efficaces dans l'élaboration de l'image micro-topographique des sites, et ce en fonction d'un nombre restreint de données d'élévation. L'efficacité de chacune des méthodes d'interpolation a été validée au moyen du calcul de l'erreur quadratique moyenne, de tests statistiques, de cartes de l'erreur et d'une évaluation visuelle en trois dimensions. Il ressort que les méthodes d'interpolation du krigeage simple, de la fonction radiale, du réseau de triangles irréguliers et du krigeage ordinaire sont celles qui représentent le plus adéquatement la micro-topographie des sites, alors que les méthodes d'interpolation de l'inverse de la distance et du krigeage universel produisent des erreurs élevées. Citation Drouin, A. & Saint-Laurent, D. (2010) Comparaison des méthodes d'interpolation pour l'élaboration de modèles numériques d'élévation de haute précision dans la représentation micro-topographique des plaines inondables. Hydrol. Sci. J. 55(4), 526−539.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".