Surveying Drifting Icebergs and Ice Islands: Deterioration Detection and Mass Estimation with Aerial Photogrammetry and Laser Scanning
Notice bibliographique
Résumé
Icebergs and ice islands (large, tabular icebergs) are challenging targets to survey due to their size, mobility, remote locations, and potentially difficult environmental conditions. Here, we assess the precision and utility of aerial photography surveying with structure-from-motion multi-view stereo photogrammetry processing (SfM) and vessel-based terrestrial laser scanning (TLS) for iceberg deterioration detection and mass estimation. For both techniques, we determine the minimum amount of change required to reliably resolve iceberg deterioration, the deterioration detection threshold (DDT), using triplicate surveys of two iceberg survey targets. We also calculate their relative uncertainties for iceberg mass estimation. The quality of deployed Global Positioning System (GPS) units that were used for drift correction and scale assignment was a major determinant of point cloud precision. When dual-frequency GPS receivers were deployed, DDT values of 2.5 and 0.40 m were calculated for the TLS and SfM point clouds, respectively. In contrast, values of 6.6 and 3.4 m were calculated when tracking beacons with lower-quality GPS were used. The SfM dataset was also more precise when used for iceberg mass estimation, and we recommend further development of this technique for iceberg-related end-uses.
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 | 0,000 |
| 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 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 ».