Airborne lidar intensity correction for mapping snow cover extent and effective grain size in mountainous terrain
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 découle