MétaCan
Menu
Retour à la cohorte
Enregistrement W4225533213 · doi:10.1109/lgrs.2022.3166665

Evaluation of LiDAR-Derived Snow Depth Estimates From the iPhone 12 Pro

2022· article· en· W4225533213 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueIEEE Geoscience and Remote Sensing Letters · 2022
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésLidarSnowMean squared errorRemote sensingComputer scienceMathematicsEnvironmental scienceAlgorithmMeteorologyStatisticsPhysicsGeography

Résumé

récupéré en direct d'OpenAlex

Snow is a critical contributor to the global water-energy budget with impacts on springtime flooding and water resource management practices. Laser altimetry [light detection and ranging (LiDAR)] is a remote-sensing technique that has demonstrated skill in monitoring snow depth, but the expense of purchasing and transporting traditional LiDAR equipment limits their operational use. In this work, we demonstrate that the LiDAR sensor installed on the Apple iPhone 12 Pro consumer smartphone is a real-time, handheld measurement instrument for accurately observing changes in snow depth. Two independent field experiments in Southern Ontario, Canada, found that the iPhone LiDAR was able to accurately capture daily changes in snow depth when compared to <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">in situ</i> snow ruler measurements. <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">In situ</i> and LiDAR comparisons of xs <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$n=75$ </tex-math></inline-formula> days at measurement site A exhibit a correlation of <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$r &gt; 0.99$ </tex-math></inline-formula> , mean absolute bias less than 1 mm, and a root mean squared error (RMSE) of approximately 6 mm. A similar positive agreement was also noted at the second field study site for <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$n=16$ </tex-math></inline-formula> measurements over the same period. The high accuracy of the LiDAR sensor suggests that a mobile application could be developed which allows users to quickly scan a snow-covered area before and after a snowfall event and consequently use this data to aid in filling current observational gaps through a citizen-science-based approach to measuring changes in snow depth.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,930
Score d'incertitude au seuil0,987

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,244
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle