Multi-Spectral Lidar: Radiometric Calibration, Canopy Spectral Reflectance, and Vegetation Vertical SVI Profiles
Notice bibliographique
Résumé
Multi-spectral (ms) airborne lidar data are enriched relative to traditional lidar due to the multiple channels of intensity digital numbers (DNs), which offer the potential for active Spectral Vegetation Indices (SVIs), enhanced classification, and change monitoring. However, in case of SVIs, indices should be calculated from spectral reflectance values derived from intensity DNs after calibration. In this paper, radiometric calibration of multi-spectral airborne lidar data is presented. A novel low-cost diffuse reflectance coating was adopted for creating radiometric targets. Comparability of spectral reflectance values derived from ms lidar data for coniferous stand (2.5% for 532 nm, 17.6% for 1064 nm, and 8.4% for 1550 nm) to available spectral libraries is shown. Active vertical profiles of SVIs were constructed and compared to modeled results available in the literature. The potential for a new landscape-level active 3D SVI voxel approach is demonstrated. Results of a field experiment with complex radiometric targets for estimating losses in detected lidar signals are described. Finally, an approach for estimating spectral reflectance values from lidar split returns is analyzed and the results show similarity of estimated values of spectral reflectance derived from split returns to spectral reflectance values obtained from single returns (p > 0.05 for paired test).
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 | 0,000 |
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 ».