Elastic and inelastic LiDAR pulse return phenomenology in coastal underwater biological substrates
Notice bibliographique
Résumé
In the context of current and future climate-related environmental changes, the development of innovative underwater substrate detection, classification and imaging methods at large spatial scales is key in monitoring and understanding changes from stresses occurring in coastal ocean areas. This development will help understand the spatial distribution and abundance patterns of marine primary producers and ecosystem service providers such as macroalgae, eelgrass and other important ecosystem components such as coral, and can provide insights into future ecosystem response and better management practices. The objective of the current work is to describe an analysis of data acquired by full waveform underwater fluorescence LiDAR, designed for detecting, imaging, and generating 3D point clouds of inert and biological substrates capable of fluorescence. Since the instrument is designed as a small form-factor AUV payload operating at standoff distances of 5–10 m, we chose to implement full-waveform (2.5 Gs/s), pulsed 532 nm laser, capable of generating 1 ns pulses of up to 2.5 uJ at a 200 kHz repetition rate to generate elastic (532 nm) and inelastic (685 nm) 3D point clouds for underwater benthic mapping. Analysis of these acquired waveforms has shown opportunities for improving the point cloud density, by identifying multiple returns within the same waveform, when present. Pulse return processing methods such as Gaussian decomposition and Richardson-Lucy deconvolution are evaluated on data acquired during LiDAR sea-trials over various bottom substrates. As the present LiDAR beam footprint is relatively small to maximize energy density for longer range detection and potential fluorescence response, the number of detected returns per pulse ranges from one in the case of a bare benthic substrate and up to 2 or 3, in areas where for example, macroalgae, kelp, corals and/or other substrates characterized by a vertical structure are present.
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 | 0,001 |
| 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 ».