Scan Line Void Filling of Airborne LiDAR Point Clouds for Hydroflattening DEM
Notice bibliographique
Résumé
Generation of LiDAR-derived digital elevation model (DEM), particularly for hydrologic and shore environments, poses a continuous challenge. The presence of laser dropouts found on the water bodies causes data voids/holes in the airborne LiDAR data point clouds. Unnatural huge triangular artifacts may appear in these regions when a DEM is generated, resulting in not only unpleasant visual effect but also inaccurate terrain analyses. The United States Geological Survey has stressed the need of having a hydro-flattened DEM in the LiDAR Base Specification. Different forms of water bodies should be represented by a flat surface. Existing approaches mainly rely on the use of ancillary data or manual intervention during the hydroflattening process. In this study, an automatic data processing workflow is proposed to: 1) classify land and water data points collected by a topographic airborne LiDAR system based on the scan line intensity-elevation ratio; 2) perform scan line void filling of data points in close-to-nadir region and at both swath edges; 3) generate a virtual water surface based on the classified water data points; 4) perform hydroflattening on the DEM. The proposed workflow was examined using five datasets collected by topographic airborne LiDAR on the inland ponds and lakes, inland rivers, nontidal boundary water bodies, tidal water bodies, and islands, as addressed in the LiDAR Base Specification. The results showed that the proposed workflow can successfully generate hydroflattened DEMs and overcome the drawback of existing approaches.
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 ».