A comparison of three surface roughness characterization techniques: photogrammetry, pin profiler, and smartphone-based LiDAR
Notice bibliographique
Résumé
Surface roughness plays an important role in microwave remote sensing. In the agricultural domain, surface roughness is crucial for soil moisture retrieval methods that use electromagnetic surface scattering or microwave radiative transfer models. Therefore, improved characterization of Soil Surface Roughness (SSR) is of considerable importance. In this study, three approaches, including a standard pin profiler, a LiDAR point cloud generated from an iPhone 12 Pro, and a Structure from Motion (SfM) photogrammetric point cloud, were applied over 24 surface profiles with different roughness variations to measure surface roughness. The objective of this study was to evaluate the capability of smartphone-based LiDAR technology to measure surface roughness parameters and compare the results of this technique with the more common approaches. Results showed that the iPhone LiDAR technology, when point cloud data is captured in a fine-resolution mode, has a significant correlation with SfM photogrammetry (R2 = 0.70) and a relatively close agreement with pin profiler (R2 = 0.60). However, this accuracy tends to be greater for random surfaces and rough profiles with row structure orientations. The results of this study confirm that smartphone-based LiDAR can be used as a cost-effective, fast, and time-efficient alternative tool for measuring surface roughness, especially for rough, wide, and inaccessible areas.
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 | 0,000 |
| 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 ».