XiaoMi-AI文件搜索系统
World File Search System光探测
激光雷达系统的质量保证 - 任务规划 - ASPRS
激光雷达系统的质量保证 – 任务规划 Kutalmis Saylam GeoBC 英国皇家登记处和地理基地 (CRGB) 分支机构 1 楼，3400 Davidson Ave，维多利亚，BC V8Z 3P8 加拿大 Kutalmis.saylam@gov.bc.ca 摘要 任务规划被认为是机载光探测和测距 (LiDAR) 调查的一个重要方面，有助于提高整体质量保证 (QA) 体验。由于 LiDAR 是一种相对较新的空间数据采集实践，因此可能找不到有关如何为此类任务做好准备的完整文档。一些公共和私人组织提供了抽象信息；但是，这些资源都没有提供完整记录和详尽的解释。在整个行业中，大多数机载 LiDAR 任务都是利用参与早期项目的人员的专业知识准备的。正式培训并不常见，而“在职学习”可能会给未来带来麻烦。此外，有各种类型的机载 LiDAR 调查需要特定的专业知识，但所掌握的专业知识可能不适用于不同类型的调查。建议现场和办公室经理在任务启动前非常仔细地评估项目要求和可用资源。有基本要求，也有不太重要的行动。由于机载调查的多变性，所有阶段都需要稳定观察，以防止可能代价高昂的变化或任务失败。为了尽快完成项目，各种项目都会遇到困难，导致忽略和跳过 QA 程序。仔细评估要求并适时规划对于成功完成任务至关重要。良好的任务规划需要仔细和广泛地考虑项目的各个阶段。因此，作者认为需要详细的机载 LiDAR 任务规划文档，为 LiDAR 社区提供帮助。简介 质量保证程序是指有计划和系统的流程，可确保产品或服务的有效性。这适用于所有形式的活动；设计、开发、生产、安装、服务和文档阶段。机载 LiDAR 任务规划的 QA 是指预测和管理活动，以确保以尽可能高的质量执行和完成拟议的任务。图 1 说明了一般 QA 模型流程图。这些活动通常包括良好的任务规划、准确的系统配置、完善的数据处理和完整的项目交付。
BAA 呼叫 N00014-22-S-C006 海军研究办公室特别计划公告
1. 长波段（例如高频带）电小天线和阵列的新型概念/设计；2. 下一代高增益低成本有源电子相控阵系统，通过算法增强，可在视距、超视距和非视距环境下实现精确指向、捕获和跟踪，适用于地面/水面机动战术平台（尺寸、重量和功率受限）；3. 针对先进电子威胁的低概率检测/拦截通信的创新方法和技术；4. 前瞻性、两用（软件配置）光探测和测距（LIDAR）和自由空间光学（FSO）通信，使用共享硬件和公共孔径，减小尺寸、重量和功率；5. 无线网络中的动态调度、路由和控制机制，可高效可靠地传输具有不同服务要求（例如延迟、丢失率、优先级）的流量，同时能够应对网络状态感知的不确定性和分布式控制器之间的不完善协调。 ONR 乐于接受创新理念，这些理念不在上述重点领域内，但对海军/海军陆战队的通信和网络却很重要，如本主题描述中所述。IV. 白皮书提交尽管不作要求，但强烈建议所有寻求资助的投标人提交白皮书。政府将评估每份白皮书，以确定所提议的技术进步是否对海军部具有特别的价值。政府的初步评估和反馈将通过技术联络点的电子邮件通知发布。初步白皮书评估旨在让实体了解他们的概念是否有可能获得资助。随后，将鼓励那些通过上述电子邮件确定其提议技术对政府具有“特别价值”的投标人提交详细的完整提案（技术和成本卷）。但是，任何此类鼓励并不保证后续授予。白皮书未被认定对政府具有特别价值的投标人或未提交白皮书的投标人也可以提交完整提案。对于提议对海军具有特别价值但超出可用预算或包含海军不想要的某些任务或应用的白皮书，ONR 可能会建议提交一份完整提案，减少工作量以符合预期的可用预算，或重新调整任务或技术应用以最大限度地造福海军。
无人机
摘要：控制人类居住区周围的植被可燃物是减少森林、建筑物和基础设施火灾严重程度以及保护人类生命的重要策略。每个国家在这方面都有自己的规定，但它们的共同点是通过减少可燃物负荷，我们反过来会降低火灾的强度和严重程度。使用无人机 (UAV) 获取的数据与其他被动和主动遥感数据相结合，通过机器学习算法规划野外-城市界面 (WUI) 可燃物突破口的效果最佳。测试了九种遥感数据源（主动和被动）和四种监督分类算法（随机森林、线性和径向支持向量机和人工神经网络），以对五种可燃物区域类型进行分类。我们使用了无人机获取的非常高密度的光探测和测距 (LiDAR) 数据（154 条回波 · m − 2 和 5 厘米像素的正射镶嵌图）、来自 Pleiades-1B 和 Sentinel-2 卫星的多光谱数据以及机载激光扫描 (ALS) 获取的低密度 LiDAR 数据（0.5 条回波 · m − 2 ，25 厘米像素的正射镶嵌图）。通过使用随机森林 (VSURF) 程序的变量选择，对最终变量进行了预选择以训练模型。对这四种算法进行了比较，并得出结论，它们在训练数据集上的整体准确度 (OA) 方面的差异可以忽略不计。结合使用 Sentinel-2 和两个 LiDAR 数据（UAV 和 ALS），随机森林在训练中获得了 90.66% 的 OA，在测试数据集中获得了 91.80% 的 OA。尽管在训练步骤中 SVML（OA = 94.46%）和在测试步骤中 ANN（OA = 91.91%）获得了最高的准确率，但随机森林被认为是最可靠的算法，因为它由于训练和测试性能之间的差异较小而产生了更一致的预测。所用数据源之间的准确率差异远大于算法之间的差异。使用不同日期的点云和一年中不同季节的多光谱信息计算的 LiDAR 增长指标是分类中最重要的变量。我们的研究结果支持无人机在防火带规划和管理以及因此在预防森林火灾方面的重要作用。
光学与大脑简介2023 专题
我们推出《生物医学光学快报》光学与大脑专题，该专题将于 2023 年 4 月 24 日至 27 日在加拿大温哥华举行的 Optica 生物光子学大会：生命科学中的光学部分举行。这次会议是讨论现有和新兴技术以及未来方向的论坛，以揭示健康和患病大脑的新亮点。光学提供了一个独特的工具包，用于从微观到宏观尺度对活体和完整大脑进行多尺度成像。同时，基因标记策略为图像神经功能提供了光学对比，而光遗传学允许用光控制细胞功能。为了涵盖实现这些不同目标所需的专业知识，会议汇集了工程师、光学和医学科学家、生物学家、化学家和医生。本期特刊中的文章代表了参与《光学与大脑》的社区的广泛范围。漫射光学器件可以利用近红外光探测人体组织中厘米深处，从而无创地到达活体大脑。一篇评论文章 [ 1 ] 强调了使用近红外光谱 (NIRS) 的非侵入性光学成像方法在成人和新生儿中测量氧化细胞色素-c-氧化酶。另一项使用传统血红蛋白 NIRS 的研究 [ 2 ] 表明，虚拟现实游戏任务可以比简单的抓握动作更好地调节大脑功能网络。这一发现对于中风后手部麻痹患者恢复抓握能力具有重要意义。光学方法还可以阐明脑组织的结构和生化组成。在癌症诊断中，另一项研究 [ 3 ] 调查了激光诱导击穿光谱 (LIBS) 和电火花辅助激光诱导击穿光谱 (SA-LIBS) 在区分胶质母细胞瘤 (GBM) 和少突胶质细胞瘤 (OG) 与非肿瘤浸润脑组织中的应用。作者展示了 SA-LIBS 在区分肿瘤组织以及多参数表征方面的优势。在另一项工作 [ 4 ] 中，展示了一种用于立体定向神经外科无标记成像的双光子微内窥镜。该装置足够小，可以放入手术套管中。另一项工作 [ 5 ] 使用连续切片偏振敏感光学相干断层扫描展示了人类脑组织块中髓鞘的无标记成像
激光雷达高程数据精度评估...
1 澳大利亚莫纳什大学地理与环境科学学院 GIS 中心，Clayton VIC 3800，澳大利亚 2 澳大利亚可持续集水区中心和南昆士兰大学工程与测量学院 Toowoomba QLD 4350，澳大利亚 电子邮件：xiaoye.liu@usq.edu.au 摘要 机载 LiDAR 已成为广泛应用中数字高程数据采集的首选技术。相对于指定垂直基准的垂直精度是指定 LiDAR 高程数据质量的主要标准。LiDAR 高程数据的定量评估通常通过将高精度检查点与从 LiDAR 地面数据估计的高程进行比较来进行。然而，通过现场测量收集足够数量的检查点是一项耗时的任务。本研究使用测量标记评估农村地区不同土地覆盖的 LiDAR 数据的垂直精度，并探索从与检查点位置相对应的 LiDAR 数据中获取高程的不同方法的性能。使用频率直方图和分位数-分位数图对 LiDAR 数据和检查点之间的垂直差异进行了正态性检验，因此可以使用适当的测量方法（公式 1.96 × RMSE 或 95 百分位数）来评估不同土地覆盖的 LiDAR 数据的垂直精度。结果证明了使用测量标记作为检查点来评估 LiDAR 数据垂直精度的适用性。关键词：LiDAR、机载激光扫描、数字高程模型、测量标记、精度评估 引言 机载光探测和测距 (LiDAR)，也称为机载激光扫描 (ALS)，是最有效的地形数据收集手段之一。使用 LiDAR 数据生成数字高程模型 (DEM) 正在成为空间科学界的标准做法 [10]。LiDAR 输出的一个吸引人的特点是点的三维坐标的高密度和高精度，其特点是垂直精度为 10-50 厘米 RMSE（均方根误差）在 68% 置信水平下（或 19.6-98 厘米在 95% 置信水平下），水平点间距为 1-3 米 [13]。只有在最理想的情况下才能实现 10-15 厘米 RMSE（置信度为 68%）的更高垂直精度 [ 10 ]。LiDAR 数据质量评估方法也因应用和 LiDAR 数据的交付格式而异。项目中 LiDAR 高程数据的实际精度取决于飞行高度、激光束发散度、扫描带内反射点的位置、LiDAR 系统误差（包括全球定位系统 (GPS) 和惯性测量单元 (IMU) 的误差）、与 GPS 地面基站的距离以及 LiDAR 数据分类（过滤）可靠性 [10]、[27]。对于使用分类的 LiDAR 点云生成的 DEM，相对于指定垂直基准的垂直精度是指定 LiDAR 高程数据质量的主要标准 [19]。LiDAR 高程数据的定量评估通常通过将高精度检查点与从 LiDAR 估计的高程进行比较来进行