Mapping simulated error due to terrain slope in airborne lidar observations
Notice bibliographique
Résumé
Quantification of geo-location error in light detection and ranging (lidar) observations is typically limited to empirical assessments, commonly quantified as the fundamental vertical accuracy (FVA). Methodological recommendations indicate that validation observations used for quantifying the FVA should not be collected in sloped terrain; however, terrain slope has been shown to contribute to the lidar error budget. Therefore, users of lidar information generally do not have adequate information to characterize error in sloped conditions. This study proposes a novel geometric terrain-based error propagation algorithm for simulating error bounds of individual lidar observations in the presence of terrain slope. A steep, glacierized, alpine test site in the Canadian Rockies was used to evaluate the algorithm. Error simulations were modelled from the terrain-based error propagation algorithm as well as a pre-existing sensor hardware error propagation algorithm and validated with high-accuracy GPS observations. Simulated versus observed errors showed that terrain-based error simulations provided a reasonable ‘worst-case scenario’ simulation of potential error and were superior to hardware-only simulated errors. Results were separated into three individual flight lines, and terrain-based error simulations were greater than the observed errors in 82%, 89%, and 100% of the tested points in each respective flight line, or 90%, overall. This contrasted hardware-only error simulations, which were greater than observed errors in 32%, 42%, and 84% of tested points in each respective flight line, or 50% overall. This work provides a comprehensive understanding of the distribution of errors within lidar point clouds over complex terrain types and provides a new methodology for propagating lidar observational errors into derived products.
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 ».