Développement d'un modèle numérique topographique et bathymétrique multisource du fleuve Saint-Laurent dans la région de la Communauté métropolitaine du Québec (CMQuébec) pour la modélisation hydrodynamique
Bibliographic record
Abstract
Les inondations sont une préoccupation majeure avec un potentiel de risques importants pour la sécurité publique ainsi qu'un impact économique et social négatif. Pour développer un modèle hydrodynamique permettant de cartographier et d'évaluer les risques d'inondation, un modèle d'élévation est un élément essentiel. La grande disponibilité de données de télédétection multisources facilite la création d'un modèle numérique d'élévation topo-bathymétrique (TBDEM). Cependant, il peut être très difficile de créer un modèle d'élévation à haute résolution homogène adapté à la cartographie des inondations en raison des divergences entre les données topographiques et bathymétriques causées par des changements temporels, des systèmes de référence horizontaux et verticaux différents, et des différences significatives en termes de résolution, incertitude et zone de couverture. Cette étude présente une méthodologie qui élargit les études précédentes axées sur la cartographie côtière à basse résolution en résolvant les différences spatiales et temporelles des jeux de données multisources tout en maintenant l'intégrité de la morphologie des berges et de l'environnement proche du rivage. Ceci est réalisé en appliquant une nouvelle méthodologie de fusion qui est mieux adaptée aux sources de données en jeu. Une méthode de moindre coût est appliquée aux données topographiques alors qu'une méthode de feathering est appliquée aux données bathymétriques. Pour ce qui est de la zone intermédiaire à l'interface de la terre et de l'eau, des transects sont utilisés pour interpoler entre les données manquantes afin de garantir l'intégrité du littoral. Enfin, une méthode de krigeage empirique bayésien appliqué à l'ensemble des données permet de produire une surface sans discontinuité accompagnée d'une surface d'erreur pour analyser l'incertitude en chaque point du modèle. Des données LiDAR aéroporté ainsi que des données de bathymétrie multifaisceau de la section supérieure du fleuve Saint-Laurent au Québec, Canada ont été combinées en utilisant la méthodologie proposée. Le TBDEM produit dans cette étude constitue une meilleure représentation que les modèles précédents et minimise l'erreur dans les données. La capacité de ce TBDEM à être plus performant que les modèles précédents dans les simulations hydrodynamiques sera testée dans des études futures en utilisant des événements de crue enregistrés précédemment.
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 | 0.005 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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; both teacher heads agree on what is shown here.
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".