Use of lidar-derived NDTI and intensity for rule-based object-oriented extraction of building footprints
Notice bibliographique
Résumé
Buildings play an essential role in urban intra-construction, planning, and climate. The precise knowledge of building footprints not only serves as a primary source for interpreting complex urban characteristics, but also provides regional planners with more realistic and multidimensional scenarios for urban management. The recently developed airborne light detection and ranging (lidar) technology provides a very promising alternative for building-footprint measurement. In this study, lidar intensity data, a normalized digital surface model (nDSM) of the first and last returns, and the normalized difference tree index (NDTI) derived from the two returns are used to extract building footprints using rule-based object-oriented classification. The study area is chosen in London, Ontario, based on the various types of buildings surrounded by trees. An integrated segmentation approach and a hierarchical rule-based classification strategy are proposed during the process. The results indicate that the proposed object-based classification is a very effective semi-automatic method for building-footprint extraction, with buildings and trees successfully separated. An overall accuracy of 94.0% and a commission error of 6.3% with a kappa value of 0.84 are achieved. Lidar-derived NDTI and intensity data are of great importance in object-based building extraction, and the kappa value of the proposed method is double that of the object-based method without NDTI or intensity.
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 | 0,001 |
| 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) | 0,000 | 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 ».