Mapping fault geomorphology with drone-based lidar
Notice bibliographique
Résumé
The advent of sub-meter resolution topographic surveying has revolutionized active fault mapping. Light detection and ranging (lidar) collected using crewed airborne laser scanning (ALS) can provide ground coverage of entire fault systems but is expensive, while Structure-from-Motion (SfM) photogrammetry from uncrewed aerial vehicles (UAVs) is popular for mapping smaller sites but cannot image beneath vegetation. Here, we present a new UAV laser scanning (ULS) system which overcomes these limitations to survey fault-related topography cost-effectively, at desirable spatial resolutions, and even beneath dense vegetation. In describing our system, data acquisition and processing workflows, we provide a practical guide for other researchers interested in developing their own ULS capabilities. We showcase ULS data collected over faults from a variety of terrain and vegetation types across the Canadian Cordillera and compare them to conventional ALS and SfM data. Due to the lower, slower UAV flights, ULS offers improved ground return density (~260 points/m2 for the capture of a paleoseismic trenching site and ~10–72 points/m2 for larger, multi-kilometer fault surveys) over conventional ALS (~3–9 points/m2) as well as better vegetation penetration than both ALS and SfM. The resulting ~20–50 cm-resolution ULS terrain models reveal fine-scale tectonic landforms that would otherwise be challenging to image.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».