Optimization of Data Collection and Refinement of Post-processing Techniques for Maritime Canada's First Shallow Water Topographic-bathymetric Lidar Survey
Notice bibliographique
Résumé
Webster, T.; McGuigan, K.; Crowell, N.; Collins, K., and MacDonald, C., 2016. Optimization of data collection and refinement of post-processing techniques for Maritime Canada's first shallow water topographic-bathymetric lidar survey. In: Brock, J.C.; Gesch, D.B.; Parrish, C.E.; Rogers, J.N., and Wright, C.W. (eds.), Advances in Topobathymetric Mapping, Models, and Applications. Journal of Coastal Research, Special Issue, No. 76, pp. 31–43. Coconut Creek (Florida), ISSN 0749-0208.An airborne topographic-bathymetric lidar survey was conducted for five coastal study sites in Maritime Canada in fall 2014 using the shallow water Leica AHAB Chiroptera II sensor. The sensor utilizes near-infrared (NIR) and green lasers to map topography, water surface, and bathymetry, and is equipped with a 60 MPIX camera, which results in 5-cm resolution color and NIR orthophotos. Depth penetration of the lidar sensor is limited by water clarity, and because the coastal zone is vulnerable to reduced water clarity/increased turbidity due to fine-grained sediment suspended by wind-induced waves, several techniques were employed to obtain maximum depth penetration of the sensor. These included monitoring wind speed, direction, and water clarity at study locations, surveying a narrow pass of the study area to assess depth penetration, and quickly adapting to changing weather conditions by altering course to an area where water clarity was less affected by wind-induced turbidity. These techniques enabled 90% depth penetration at all five of the shallow embayments surveyed and up to 6 m depth penetration in the exposed coastal region. Synchronous ground truth surveys were conducted to measure water depth and clarity and seabed cover during the surveys. GPS checkpoints on land indicated that the topographic lidar had an accuracy of better than 10 cm RMSE in the vertical. The amplitude of the green laser bathymetric returns provides information on bottom type and can be useful for generating maps of vegetation distribution. However, these data are not automatically compensated for water depth attenuation and signal loss in post-processing, which results in difficulties in interpreting the amplitude imagery derived from the green laser. An empirical approach to generating a depth-normalized amplitude image which is merged with elevation derivatives to produce a 2-m resolution map product that is easily interpreted by end users is presented. An eelgrass distribution model was derived from the bathymetric elevation parameters with 80% producer's accuracy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».