XiaoMi-AI文件搜索系统
World File Search System沟渠
改善道路沟渠设计的创新策略
项目详情：道路沟渠是城市排水系统的重要组成部分，用于将地表径流收集到下水道网络中，降低洪水风险并确保道路安全。然而，最近关于城市洪水分析和排水系统设计的大部分研究主要基于数值建模，这些建模通常假设道路沟渠在理想情况下发挥作用。事实上，树叶碎片、淤泥、沉积物、石头、土壤侵蚀和路面磨损等各种因素经常导致沟渠堵塞并大大降低其容量。因此，尽管下水道网络中的流量远低于设计容量，但沟渠入口无法有效地捕获地表径流。此外，气候变化导致强降雨更加频繁，因此这些资产可能无法提供所需的保护。为了应对这些挑战，创新和调整道路沟渠设计以更好地应对气候变化的影响至关重要。
拟议行动：2022 年 Pahsimeroi 沟渠填筑
拟议行动描述：BPA 提议资助爱达荷州渔业和野生动物管理局，以关闭和拆除两条现有的灌溉沟渠，这些灌溉沟渠将帕西梅罗伊河的水引流到小帕西梅罗伊河。目标是尽可能保持帕西梅罗伊河主干道的流量，特别是在低流量期间。该项目将填满一条现有的引水沟渠，并将从第一条沟渠分支出的另一条沟渠填满，以在河岸带外形成一个低堤坝，足以将洪水保持在帕西梅罗伊河泛滥平原内，而不是流向小帕西梅罗伊河。帕西梅罗伊河的引水点将被封堵并用大型木鱼栖息地结构稳定，以提供河内覆盖并保护河岸免受河流的侵蚀力。
使用高分辨率数字高程模型上的监督学习检测沟渠
排干的湿地是温室气体排放的主要来源，但这些湿地的排水网络大部分都未绘制地图，需要更好的地图来帮助森林生产并更好地了解气候后果。我们开发了一种在基于 LiDAR 扫描的高分辨率数字高程模型中检测沟渠的方法。使用数字地形指数的阈值方法可用于检测沟渠。但是，单一阈值通常无法捕捉景观的变化，并且会产生许多假阳性和假阴性。我们假设，通过使用监督学习结合数字地形指数，我们可以在景观尺度上改善沟渠检测。除了数字地形指数外，还可以通过转换数据以包含相邻单元来生成其他特征，以便更好地预测沟渠。随机森林分类器用于定位沟渠，并处理其概率输出以消除噪声，并进行二值化以产生最终的沟渠预测。评估图之间的 Cohen's Kappa 指数的置信区间为 [0.655 , 0.781]，置信度为 95%。研究表明，使用机器学习结合一系列数字地形指数的信息，可以提供一种有效的景观尺度自动沟渠检测技术，有助于实际的森林管理和应对气候变化。
使用高分辨率数字高程模型上的监督学习检测沟渠
排干的湿地可能成为温室气体排放的主要来源，但这些湿地的排水网络大部分都未绘制地图，需要更好的地图来帮助森林生产并更好地了解气候后果。我们开发了一种在基于 LiDAR 扫描的高分辨率数字高程模型中检测沟渠的方法。使用数字地形指数的阈值方法可用于检测沟渠。但是，单个阈值通常无法捕捉景观的变化，并且会产生许多误报和漏报。我们假设，通过使用监督学习结合数字地形指数，我们可以在景观尺度上改善沟渠检测。除了数字地形指数之外，还可以通过转换数据以包含相邻单元来生成其他特征，以便更好地预测沟渠。使用随机森林分类器来定位沟渠，并对其概率输出进行处理以消除噪音，然后进行二值化以产生最终的沟渠预测。评估图之间的 Cohen's Kappa 指数的置信区间范围为 [0.655 , 0.781]，置信度为 95%。研究表明，使用机器学习结合一系列数字地形指数的信息，可以提供一种有效的景观尺度自动沟渠检测技术，有助于实际的森林管理和应对气候变化。