Ground-Control Networks for Image Based Surface Reconstruction: An Investigation of Optimum Survey Designs Using UAV Derived Imagery and Structure-from-Motion Photogrammetry
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
The use of small UAV (Unmanned Aerial Vehicle) and Structure-from-Motion (SfM) with Multi-View Stereopsis (MVS) for acquiring survey datasets is now commonplace, however, aspects of the SfM-MVS workflow require further validation. This work aims to provide guidance for scientists seeking to adopt this aerial survey method by investigating aerial survey data quality in relation to the application of ground control points (GCPs) at a site of undulating topography (Ennerdale, Lake District, UK). Sixteen digital surface models (DSMs) were produced from a UAV survey using a varying number of GCPs (3-101). These DSMs were compared to 530 dGPS spot heights to calculate vertical error. All DSMs produced reasonable surface reconstructions (vertical root-mean-square-error (RMSE) of <0.2 m), however, an improvement in DSM quality was found where four or more GCPs (up to 101 GCPs) were applied, with errors falling to within the suggested point quality range of the survey equipment used for GCP acquisition (e.g., vertical RMSE of <0.09 m). The influence of a poor GCP distribution was also investigated by producing a DSM using an evenly distributed network of GCPs, and comparing it to a DSM produced using a clustered network of GCPs. The results accord with existing findings, where vertical error was found to increase with distance from the GCP cluster. Specifically vertical error and distance to the nearest GCP followed a strong polynomial trend (R2 = 0.792). These findings contribute to our understanding of the sources of error when conducting a UAV-SfM survey and provide guidance on the collection of GCPs. Evidence-driven UAV-SfM survey designs are essential for practitioners seeking reproducible, high quality topographic datasets for detecting surface change.
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 | 0,000 |
| 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 | 0,000 |
| 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