Using Multispectral Airborne LiDAR Data for Land/Water Discrimination: A Case Study at Lake Ontario, Canada
Notice bibliographique
Résumé
Coastal areas are environmentally sensitive and are affected by nature events and human activities. Land/water interaction in coastal areas changes over time and, therefore, requires accurate detection and frequent monitoring. Multispectral Light Detection and Ranging (LiDAR) systems, which operate at different wavelengths, have become available. This new technology can provide an effective and accurate solution for the determination of the land/water interface. In this context, we aim to investigate a set of point features based on elevation, intensity, and geometry for this application, followed by a presentation of an unsupervised land/water discrimination method based on seeded region growing algorithm. The multispectral airborne LiDAR sensor, the Optech Titan, was used to acquire LiDAR data at three wavelengths (1550, 1064, and 532 nm) of a study area covering part of Lake Ontario in Scarborough, Canada for testing the discrimination methods. The elevation- and geometry-based features achieved an average overall accuracy of 75.1% and 74.2%, respectively, while the intensity-based features achieved 63.9% accuracy. The region growing method succeeded in discriminating water from land with more than 99% overall accuracy, and the land/water boundary was delineated with an average root mean square error of 0.51 m. The automation of this method is restricted by having double returns from water bodies at the 532 nm wavelength.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».