Airborne lidar intensity correction for mapping snow cover extent and effective grain size in mountainous terrain
Notice bibliographique
Résumé
Differentially mapping snow depth in mountain watersheds from airborne laser altimetry is a valuable hydrologic technique that has seen an expanded use in recent years. Additionally, lidar systems also record the strength of the returned light pulse (i.e. intensity), which can be used to characterize snow surface properties. For near-infrared lidar systems, return intensity is relatively high over snow and inversely related to the effective grain size, a primary control on snow albedo. Raw intensity is also sensitive to laser range and incidence angle, however, and requires a correction for snow property retrieval that is especially pertinent in mountainous terrain. Here, we describe a workflow to correct the intensity using the plane trajectory, lidar scan angle, and lidar-derived topography. As a proof of concept for snow retrievals, we apply the workflow to an airborne 1064 nm lidar flight over a snow-covered mountain basin in the Colorado Rockies. Corrected intensity was empirically related to reflectance before delineating snow extent and retrieving grain size. Relative to the traditional snow classification derived from optical imagery, the lidar-derived snow extent covered 5.4% more area due to the fine resolution point cloud and absence of shadows common in optical imagery. The lidar-derived grain size retrievals had a MAE of 32 µm compared to those from field spectroscopy, which translated to a 1% error in snow albedo. We found high incidence angles yielded an overcorrection in intensity that introduced a high bias in the grain size distribution and, therefore, suggest using an incidence angle threshold (40°). Developing methods specifically for quantitative snow surface property retrievals from lidar intensity is timely and relevant as aerial lidar is increasingly being used to map snow depth for hydrologic and cryospheric studies.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».