3D Ocean Water Wave Surface Analysis on Airborne LiDAR Bathymetric Point Clouds
Notice bibliographique
Résumé
Water wave monitoring is a vital issue for coastal research and plays a key role in geomorphological changes, erosion and sediment transportation, coastal hazards, risk assessment, and decision making. However, despite missing data and the difficulty of capturing the data of nearshore fieldwork, the analysis of water wave surface parameters is still able to be discussed. In this paper, we propose a novel approach for accurate detection and analysis of water wave surface from Airborne LiDAR Bathymetry (ALB) large-scale point clouds data. In our proposed method we combined the modified Density-Based Spatial Clustering of Applications with Noise (DBSCAN) clustering method with a connectivity constraint and a multi-level analysis of ocean water surface. We adapted for most types of wave shape anatomies in shallow waters, nearshore, and onshore of the coastal zone. We used a wavelet analysis filter to detect the water wave surface. Then, through the Fourier Transformation Approach, we estimated the parameters of wave height, wavelength, and wave orientation. The comparison between the LiDAR measure estimation technique and available buoy data was then presented. We quantified the performance of the algorithm by measuring the precision and recall for the waves identification without evaluating the degree of over-segmentation. The proposed method achieves 87% accuracy of wave identification in the shallow water of coastal zones.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».