Evaluation of LiDAR-Derived Snow Depth Estimates From the iPhone 12 Pro
Notice bibliographique
Résumé
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 toin situsnow ruler measurements.In situand LiDAR comparisons of xs$n=75$days at measurement site A exhibit a correlation of$r > 0.99$, 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$n=16$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.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».