Streambank topography: an accuracy assessment of UAV-based and traditional 3D reconstructions
Notice bibliographique
Résumé
Highly accurate digital surface models are an essential part of change-over-time analyses for monitoring erosion processes. Streambank topography presents a unique challenge for surface mapping due to dense riparian vegetation, canopy cover, and rapidly changing elevation values. The spatial heterogeneity of stream corridors has made the calculation of streambank erosion across larger spatial extents difficult. Contemporary technologies such as terrestrial laser scanners (TLS) and unmanned aerial vehicles (UAVs) offer new approaches for streambank topography mapping at very high spatial resolutions across varying spatial extents. To evaluate the accuracy of different technologies for streambank topography mapping, we compared streambank surface models derived via a UAV using structure-from-motion and from traditional aerial photogrammetry (i.e. Southwestern Ontario Orthoimagery Project; SWOOP) to that of a TLS benchmark across seven streambank segments. Additional comparisons were made for 22 manually measured stream transects to that of a TLS benchmark. Compared to our benchmark, the UAV-derived streambank surface model was the most accurate with an average root-mean-square-error of 0.104 m. Errors in the UAV surface model were correlated with georeferencing error. The UAV had an average 52% success rate for reconstructing the streambank topography across all field campaigns and was able to map up to 2037 m of streambank in one hour. The streambank surface model derived from traditional aerial photogrammetry and manual transect measurements had average root-mean-square-errors of 0.238 m and 0.274 m respectively. Both aerially-derived surface models tended to over measure elevation values compared to the TLS, whereas manual transect measurements consistently under measured elevation.
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 ».