Scan Line Intensity-Elevation Ratio (SLIER): An Airborne LiDAR Ratio Index for Automatic Water Surface Mapping
Notice bibliographique
Résumé
Owing to the characteristics of how a laser interacts with the water surface and water column, the measured Light Detection and Ranging (LiDAR) intensity values are different with respect to the laser wavelength, the scanning geometry and the reflection mechanism. Depending on the instantaneous water condition and the laser incidence angle, laser dropouts can appear, causing null returns or empty holes found in the collected LiDAR data. This variable intensity response offers a valuable opportunity for using airborne LiDAR sensors for automatic identification of water regions, and thus, we previously proposed an airborne LiDAR-based ratio index named the scan line intensity-elevation ratio (SLIER). Over the water surface, airborne LiDAR data are always found to have a high fluctuation of the intensity value and low variation of the elevation along each scan line, and thus, the water region has a higher SLIER value compared to the land. We examined the SLIER on a multispectral airborne LiDAR dataset collected by Optech Titan and a monochromatic airborne LiDAR dataset collected by Optech Galaxy on a natural rocky shore and a man-made shore. Our experiments showed that SLIER was able to provide a high separability between land and water regions and was able to outperform the traditional normalized difference water index (NDWI) for estimation of the water surface. With the use of SLIER as a mechanism for training data selection, our case studies demonstrated an overall accuracy of 98% in the use of either monochromatic or multispectral LiDAR data, regardless of the laser channel being used.
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 | 0,001 | 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 | 0,001 |
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 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 ».