Surface moisture and vegetation influences on lidar intensity data in an agricultural watershed
Notice bibliographique
Résumé
Airborne laser scanning (ALS) provides more information about scanned surfaces than just elevation. Backscattered laser pulses are visually influenced by surficial reflectance properties of the terrain being mapped, such as the presence of water. In this study the impact of soil moisture and vegetation cover on laser pulse intensity was explored. The study area, an agricultural watershed in the Annapolis Valley of Nova Scotia, was scanned several times over an 18 month period using comparable survey settings. The intensity data for all acquisitions were normalized to account for range bias effects and scaled to an 8-bit range. Tests included comparing raw intensity data with range-normalized intensity data, comparing daily data to assess temporal changes in intensity, and correlating intensity data to spatially coincident soil surface volumetric moisture content measurements. The range-normalized intensity comparison revealed that while normalization removed the majority of systematic bias in the intensity some artefacts remained in overlapping scan areas. Temporal intensity variations were observed in agricultural fields, and while some of this change was attributable to changes in the surface wetness, crop cover and the confounding influence this had on laser pulse attenuation diminished the correlation. Ground sampled volumetric moisture content and intensity were not strongly correlated; however, it was shown that the two methods were measuring similar trends over some of the areas studied. This study concludes that while soil moisture conditions can influence laser return intensity over bare earth, vegetated ground cover has a greater overall control on the signal 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 | 0,000 |
| 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 ».