Numerical and Experimental Evaluation of Terrestrial LiDAR for Parameterizing Centimeter-Scale Sea Ice Surface Roughness
Notice bibliographique
Résumé
Terrestrial light detection and ranging (LiDAR) offers significant advantages over conventional techniques for measuring the centimeter-scale surface roughness of natural surfaces, such as sea ice. However, the laser scanning technique is inherently limited, principally by the following: 1) the high inclination scanning angle of the sensor with respect to nadir; 2) the precision of the laser ranging estimate; and 3) the beam divergence of the laser. In this paper, we introduce a numerical model that has been designed to simulate the acquisition of LiDAR data over a regular rough surface. Results from the model compare well (r <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> = 0.97) with LiDAR observations collected over two experimental surfaces of known roughness that were constructed from medium-density fibreboard using a computer numerical control three-axis router. The model demonstrates that surface roughness parameters are not sensitive to minor variations in the LiDAR sensor's range and laser beam divergence, but are slightly sensitive to the precision of the ranging estimate. The model also demonstrates that surface roughness parameters are particularly sensitive to the inclination angle of the LiDAR sensor. The surface RMS height is underestimated, and the correlation length is overestimated as either the inclination angle of the sensor or the true roughness of the surface increases. An isotropic surface is also increasingly observed as an anisotropic surface as either the inclination angle or the true surface roughness increases. Based on the model results, we propose a set of calibration functions that can be used to correct in situ LiDAR measurements of surface roughness.
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 | 0,001 | 0,000 |
| 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 ».