La información ambiental ribereña incluye datos importantes para recopilar, y la recolección de datos aún requiere encuestas de campo por parte del personal. Estas tareas en el sitio aún enfrentan limitaciones significativas (es decir, difíciles o peligrosas para entrar). En los últimos años, como uno de los enfoques eficientes para la recolección de datos, las tecnologías de Detección y Medición de Luz basadas en vehículos aéreos ya se han aplicado en la investigación ambiental global, es decir, en la clasificación de cobertura terrestre (LCC) o en el monitoreo ambiental. Para este estudio, los autores se centraron específicamente en siete tipos de LCC (es decir, bambú, árbol, hierba, suelo desnudo, agua, carretera y desorden) que pueden ser parametrizados para la simulación de inundaciones. Se aplicó un sistema de batimetría LiDAR aéreo validado (ALB) y un sistema LiDAR verde montado en UAV (GLS) en este estudio para el análisis de LCC entre plataformas. Además, los datos LiDAR se visualizaron utilizando escalas de color de alto contraste para mejorar la precisión de los métodos de clasificación de cobertura terrestre a través de técnicas de fusión de imágenes. Si hay imágenes aéreas de alta resolución disponibles, entonces deben ser reducidas para coincidir con la resolución de nubes de puntos de baja resolución. La intercambiabilidad de datos entre plataformas se evaluó comparando la intercambiabilidad, que mide la diferencia absoluta en la precisión general (OA) o macro-F1 al comparar la intercambiabilidad entre plataformas. Es notable que confiar únicamente en fotografías aéreas es inadecuado para lograr un etiquetado preciso, particularmente bajo condiciones de luz solar limitada que pueden llevar a una mala clasificación. En tales casos, LiDAR juega un papel crucial en facilitar el reconocimiento de objetivos. Todos los enfoques (es decir, imágenes digitales de baja resolución, imágenes derivadas de LiDAR y fusión de imágenes) presentan resultados de más de 0.65 OA y alrededor de 0.6 macro-F1. Los autores encontraron que las especies de vegetación (bambú, árbol, hierba) y las especies de carretera tienen un rendimiento comparativamente mejor en comparación con las especies de desorden y suelo desnudo. Dadas las condiciones mencionadas, las diferencias en las especies derivadas de diferentes años (ALB del año 2017 y GLS del año 2020) son la principal razón. Debido a que la identificación de especies de desorden incluye todos los elementos excepto las especies relativas en esta investigación, las características basadas en RGB de las especies de desorden no pueden ser sustituidas fácilmente debido a la brecha de 3 años en comparación con otras especies. Derivado de la reconstrucción en el sitio, la especie de suelo desnudo también tiene un cambio de color adicional entre ALB y GLS que lleva a una disminución de la intercambiabilidad. En el caso de especies individuales, sin considerar estaciones y plataformas, la fusión de imágenes puede clasificar bambú y árboles con puntajes F1 más altos en comparación con imágenes digitales de baja resolución e imágenes derivadas de LiDAR, lo que ha demostrado especialmente la intercambiabilidad entre plataformas en los tipos de vegetación alta. En los últimos años, se han utilizado fotografía de alta resolución (UAV), medición LiDAR de alta precisión (ALB, GLS) e imágenes satelitales. El equipo de medición LiDAR es caro y las oportunidades de medición son limitadas. Con base en esto, sería deseable que ALB y GLS pudieran ser clasificados continuamente por Inteligencia Artificial, y en este estudio, los autores investigaron tal intercambiabilidad de datos. Un aspecto único y crucial de este estudio es explorar la intercambiabilidad de los modelos de clasificación de cobertura terrestre a través de diferentes plataformas LiDAR.