An Integrated Method for Mapping Impervious and Pervious Areas in Urban Environments Using Hyperspectral and LiDAR Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. As urbanization continues to increase and extreme climatic events become more prevalent, urban planners and engineers are actively implementing adaptive measures to protect urban assets and communities. To support the urban planning adaptation process, mapping of impervious and pervious areas is essential to understanding the hydrodynamic environment within urban areas for flood risk planning. The application of advance geospatial data and analytical techniques using remote sensing and GIS can improve land surface characterization to better quantify surface run-off and infiltration. This study presents a method to combine airborne hyperspectral and LiDAR data for classifying pervious (e.g. vegetation, gravel, and soil) and impervious (e.g. asphalt and concrete) areas within road allowance areas for the City of Surrey, British Columbia, Canada. Hyperspectral data was acquired using the Compact Airborne Spectrographic Imager (CASI) at 1 m ground spatial resolution, consisting of 72 spectral bands, and LiDAR data acquired from Leica Airborne LiDAR system at a density of 20 points/m2. A spectral library was established using 10 cm orthophotography and GIS data to identify surface features. In addition to spectral functions such as mean and standard deviation, several spectral indices were developed to discriminate between asphalt, concrete, gravel, vegetation, and shadows respectively. A spectral analysis of selected endmembers was conducted and an initial classification technique was applied using Spectral Angle Mapper (SAM). The classification results (i.e. shadows) were improved by integrating LIDAR data with the hyperspectral data.
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.
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 | 0,001 |
| 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 découle