A Simplified End-User Approach to Lidar Very Shallow Water Bathymetric Correction
Notice bibliographique
Résumé
Airborne lidar bathymetry has been evolving in recent years, and the introduction of multispectral (MS) lidar, such as the Titan sensor from Teledyne Optech, Toronto, ON, Canada, allows for comprehensive mapping of aquatic and riparian areas. However, to derive useful riverbed geomorphology data, bathymetric correction should be applied to raw data based on the proximity of individual points within the laser point cloud to the overlying water surface. Current algorithms within off-the-shelf (OTS) software were developed for flat coastal waters and lakes and, therefore, may have difficulty with shallow river channels possessing discernible surface water gradients and/or complex riparian environments. A proposed simplified correction algorithm is based on a shift (scaling with k = 0.76) in depth values. Riverbed returns are normalized toward the overlying water surface, disregarding laser beam angle of incidence for each point. The resultant simplified bathymetric correction is, therefore, available to most end users and does not rely on black box OTS solutions. Validation of the method with an MS lidar data set is presented, and the expected neglectable introduced bias (sd = 1.4 cm) for very shallow (<; 2 m) water is confirmed.
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 | 0,001 |
| 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 ».