A new interpolation method to resolve under-sampling of UAV-lidar snow depth observations in coniferous forests
Notice bibliographique
Résumé
Obtaining accurate snow depth estimates under dense canopies using airborne lidar (light detection and ranging) techniques is challenging due to the under-sampling of ground and snow surfaces. Existing interpolation techniques do not adequately address this problem and they often result in an overestimation of under-canopy snow depths. To address this issue, we introduce and evaluate a new interpolation method that incorporates intra-canopy snow depth variability to provide more accurate estimations at unsampled locations. Four interpolation methods were tested, considering systematic trends (landscape trend, canopy vs. gap trend, and intra-canopy trend) along with spatial interpolation of the residuals. Our results show that spatial interpolation methods without consideration of trends are sufficient to capture and reconstruct the small-scale variability of snow depths below a separation distance of 1 m between sampled and unsampled locations, (i.e., ground surface point density > 1 pt. m−2). However, beyond a separation distance of 2.5–3 m (point density < 0.33–0.40 pt. m−2), spatial interpolation based on proximity alone becomes unreliable because point separation becomes larger than the snow depth spatial correlation scale. Within these limiting distances, the method that incorporates trends along with spatial interpolation techniques can resolve the small-scale variability and thereby reduce the likely overestimation of snow depths under the canopy.
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 | 0,004 |
| 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 ».