Ice roughness estimation via remotely piloted aircraft and photogrammetry
Notice bibliographique
Résumé
Abstract. The monitoring of fluvial ice covers can be time intensive, dangerous, and costly if detailed data are required. Ice covers on a river surface cause resistance to water flow, which increases upstream water levels. Ice with a higher degree of roughness causes increased flow resistance and therefore even higher upstream water levels. Aerial images collected via remotely piloted aircraft (RPA) were processed with structure from motion photogrammetry to create a digital elevation model (DEM) and then produce quantitative measurements of surface ice roughness. Images and surface ice roughness values were collected over 2 years on the Dauphin River in Manitoba, Canada. It was hypothesized that surface ice roughness would be indicative of subsurface ice roughness. This hypothesis was tested by comparing RPA-measured surface ice roughness values to those predicted by the Nezhikhovskiy equation, wherein subsurface ice roughness is proportional to ice thickness. Various statistical metrics were used to represent the roughness height of the DEMs. Strong trends were identified in the comparison of RPA-measured ice surface roughness to subsurface ice roughness values predicted by the Nezhikhovskiy equation, as well as with comparisons to ice thickness. The standard deviation and interquartile range of roughness heights were determined to be the most representative statistical metrics and several properties of the DEMs of fluvial ice covers were calculated and observed. No DEMs were found to be normally distributed. This first attempt at using RPA-derived measurements of surface ice roughness to estimate river ice flow resistance is shown to have considerable potential and will hopefully be verified and improved upon by subsequent measurements on a wide variety of rivers and ice covers.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 | 0,000 |
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 ».