Using topo-bathymetric LiDAR to map near shore benthic environments
Notice bibliographique
Résumé
The Chiroptera II shallow water topo-bathymetric LiDAR sensor has been used to survey several coastal areas in Maritime Canada since 2014. In addition to the production of seamless elevation models, the green laser reflectance amplitude has been used in combination with the seabed roughness to map seagrass beds. The LiDAR is coupled with a 5 MPIX quality assurance camera and a 60 MPIX RCD30 multispectral camera (RGB+NIR). Utilizing the camera information with the LiDAR derivatives has allowed us to improve our bottom mapping capabilities and expand the number of benthic classes that can be derived. The amplitude of the green laser, 515 nm, decays exponentially with water depth. The strength of the signal is dependent on several factors including: water surface specular reflection, local incidence angle (scan angle + aircraft orientation), water column properties and the seabed material. We have developed a method to normalize the amplitude of the green laser points between flight lines. The energy of the light exponentially decays with depth and the amplitude of the signal is not scaled accordingly. We have developed an empirical method to depth normalize the amplitude image so it can be used in image classification. We will present various classification methods using the LiDAR and photo derived products to map the benthic environment. These methods include: semi-empirical, pattern recognition (maximum likelihood, k-means), machine learning such as random forest and object based segmentation. The results are validated using drop camera point based ground truth or echosounding data from a Biosonics system. We will also present research related to extracting attributes directly from the waveform of the green laser return that offers additional potential for habitat classification.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».