Sea-ice topographic surveying using Structure-from-Motion photogrammetry conducted from small UAVs
Notice bibliographique
Résumé
The heterogenous topography of sea-ice is difficult to measure, monitor and predict.Recent technological improvements have enabled the development of structure from motion (SfM) surveying using small unmanned aerial vehicles (sUAVs).sUAV-SfM surveying was evaluated as a low-cost technique of obtaining sea-ice topography.Field data collection was conducted in Frobisher Bay and consisted of several sUAV-SfM surveys at the sub-kilometre-and kilometre-level spatial scale.RMSE values of 87 mm and 80 mm were obtained, respectively, for comparing the sUAV-SfM to a reference dataset and for comparing among individual sUAV-SfM surveys.The technique was successful at detecting, measuring and visualizing sea-ice features, such as pressure ridges.When compared to established techniques at similar spatial scales, sUAV-SfM was generally superior in terms of cost, simplicity, flexibility and ground resolution, but it suffered from low reliability due to accuracy issues with low-cost GPS receivers.I'll be forever grateful for all the support I've received from multiple people and organizations throughout this thesis.Thanks to my supervisors, Derek Mueller and Adrienne Tivy, who proposed the unexpectedly rich subject of sea-ice as a target to explore SfM, for your guidance during the preparation and post-processing, and for your invaluable support during the thesis writing.Thanks to Adam Garbo, since without your tremendous help, your UAV and fieldwork expertise and the hundreds of hours you've dedicated, both this thesis and the UAV would have had never taken-off.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| 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) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».