Comparing sUAS Photogrammetrically-Derived Point Clouds with GNSS Measurements and Terrestrial Laser Scanning for Topographic Mapping
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
Interest in small unmanned aircraft systems (sUAS) for topographic mapping has significantly grown in recent years, driven in part by technological advancements that have made it possible to survey small- to medium-sized areas quickly and at low cost using sUAS aerial photography and digital photogrammetry. Although this approach can produce dense point clouds of topographic measurements, they have not been tested extensively to provide insights on accuracy levels for topographic mapping. This case study examines the accuracy of a sUAS-derived point cloud of a parking lot located at the Citizens Bank Arena (CBA) in Ontario, California, by comparing it to ground control points (GCPs) measured using global navigation satellite system (GNSS) data corrected with real-time kinematic (RTK) and to data from a terrestrial laser scanning (TLS) survey. We intentionally chose a flat surface due to the prevalence of flat scenes in sUAS mapping and the challenges they pose for accurately deriving vertical measurements. When the GNSS-RTK survey was compared to the sUAS point cloud, the residuals were found to be on average 18 mm and −20 mm for the horizontal and vertical components. Furthermore, when the sUAS point cloud was compared to the TLS point cloud, the average difference observed in the vertical component was 2 mm with a standard deviation of 31 mm. These results indicate that sUAS imagery can produce point clouds comparable to traditional topographic mapping methods and support other studies showing that sUAS photogrammetry provides a cost-effective, safe, efficient, and accurate solution for topographic mapping.
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 | 0,000 | 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 découle