Temperature Compensation for Radiometric Correction of Terrestrial LiDAR Intensity Data
Notice bibliographique
Résumé
Correction of terrestrial Light Detection and Ranging (LiDAR) intensity data has been increasingly studied in recent years. The purpose is to obtain additional insight into the scanned environment that is not available from the geometric information alone. Radiometric correction, as the name implies, corrects the received intensity to standard reflectance values in the range of ( 0 , 1 ) . This correction typically compensates for the dependence of angle and distance. This paper presents an additional compensation for temperature that may be necessary for some LiDAR instruments such as the Faro Focus 3 D X 330 laser scanner. It is also shown that temperature compensation is not necessary for the Riegl VZ–400. Another important contribution of this work is the verification of a previously published radiometric correction in different environments. The correction was applied to two different Terrestrial Laser Scanner (TLS) instruments: a Faro Focus 3 D X 330 and Riegl VZ-400. Overall, the VZ-400, without temperature compensation, produced better results with a Root Mean Square (RMS) of the standard deviation of error being 0.053 and a RMS of the mean error of 0.036 compared to 0.069 and 0.046 for the Faro Focus 3 D X 330. It was found, for the case of the Faro device, that the temperature of the instrument played an important role in the accuracy of the results. The proposed temperature compensation method improved the RMS standard deviation of the error by 1.4 times and the RMS of the error by 2.6 times, compared to the uncompensated results.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».