Evaluation of SfM for surface characterization of a snow-covered glacier through comparison with aerial lidar
Notice bibliographique
Résumé
The combined use of unmanned aerial vehicles (UAVs) and structure-from-motion (SfM) is rapidly growing as a cost-effective alternative to airborne laser scanning (lidar) for reconstructing glacier surfaces. Here we present a thorough analysis of the precision and accuracy of a photogrammetric point cloud (PPC) constructed through SfM from UAV-acquired imagery over the spring snow surface at Haig Glacier, Alberta, Canada, the first of its kind in a glaciological setting. An aerial lidar survey conducted concurrently with UAV surveys was used to examine spatial patterns in the PPC accuracy. We found a median error in the PPC of −0.046 ± 0.067 m, with a 95% quantile of 0.218 m. Mean precision of the PPC was 0.199 m, with large spatially clustered outliers. We found an association between high-error, low-precision, and high-surface roughness in the PPC, likely due to illumination characteristics of the snow surface. Glacier surface reconstructions are important for geodetic mass balance measurements, giving key insights into changing climate where in situ measurements are difficult to obtain. The PPC errors are small enough that they would have minimal effects on total mass balance, should the technique be applied across the glacier.
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 | 0,001 | 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 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 ».