LiDAR accuracy on North American mountain summits
Notice bibliographique
Résumé
Mountainous terrain is increasingly being measured and mapped by airplane-based LiDAR (Light Detection and Ranging) techniques, but the accuracy of these measurements in such topographically variable terrain is not well understood. For this study, we measured 179 mountain summits with differential GNSS static surveys and compared summit elevation and location measurements to those measured by LiDAR in point cloud data sets. We measured summits in 13 US states (Washington, Idaho, Montana, Utah, California, Nevada, Arizona, New Mexico, Michigan, Wisconsin, Kentucky, Colorado, and Pennsylvania) and two Canadian provinces (British Columbia and Nova Scotia). Summits included icecapped peaks, open rocky peaks, and tree-covered peaks ranging in elevation from 490 m to over 4000 m. LiDAR-point-cloud-derived summit elevations and locations were computed using four different methods: manual processing, highest ground return, highest return, and Lastools reclassification. The average one-sigma LiDAR vertical errors for each method were 0.50 m, 1.09 m, 9.83 m, and 1.96 m, respectively. Average one-sigma horizontal errors were 3.03 m, 2.41 m, 5.17 m, and 3.78 m, respectively. Errors are also presented separately for each type of summit. Error sources include sharp summits being unsampled, dense vegetation misclassified as ground, human-created structures misclassified as ground, snow/ice that can melt over time, and summit erosion over time.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».