LiDAR Validation of a Video-Derived Beachface Topography on a Tidal Flat
Notice bibliographique
Résumé
Increasingly used shore-based video stations enable a high spatiotemporal frequency analysis of shoreline migration. Shoreline detection techniques combined with hydrodynamic conditions enable the creation of digital elevation models (DEMs). However, shoreline elevations are often estimated based on nearshore process empirical equations leading to uncertainties in video-based topography. To achieve high DEM correspondence between both techniques, we assessed video-derived DEMs against LiDAR surveys during low energy conditions. A newly installed video system on a tidal flat in the St. Lawrence Estuary, Atlantic Canada, served as a test case. Shorelines were automatically detected from time-averaged (TIMEX) images using color ratios in low energy conditions synchronously with mobile terrestrial LiDAR during two different surveys. Hydrodynamic (waves and tides) data were recorded in-situ, and established two different cases of water elevation models as a basis for shoreline elevations. DEMs were created and tested against LiDAR. Statistical analysis of shoreline elevations and migrations were made, and morphological variability was assessed between both surveys. Results indicate that the best shoreline elevation model includes both the significant wave height and the mean water level. Low energy conditions and in-situ hydrodynamic measurements made it possible to produce video-derived DEMs virtually as accurate as a LiDAR product, and therefore make an effective tool for coastal managers.
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 ».