Notice bibliographique
Résumé
Aerial data collection for use in GIS has, in the past, been an expensive undertaking and required significant capital expenditures for metric aerial cameras, aircraft purchase, maintenance, fuel, insurance, and not to mention a significant cost for specialized labour. The advent of Unmanned Aerial Vehicles (UAV’s), and their increasing mainstream use, has created an alternative to conventional aerial photography for the creation of Digital Surface Models (DSMs) and orthophotos. The standards of traditional aerial data collection have been spelt out in long-established guidelines by the American Society of Photogrammetry and Remote Sensing. UAV operators, often non-specialist newcomers to the field, have side-stepped these standards and have no means to ensure the quality and reproducibility of their data. I propose a set of simple best-practices that can be adopted both by UAV operators and their clients to establish some measure of Quality Assurance and Quality Control while maintaining the cost-advantage afforded by UAVs. These practices can be grouped into five main areas: 1) proper camera and lens selection, 2) pre-calibration of cameras used for photogrammetric mapping, 3) establishing accurate ground-control across the area of mapping and not relying on consumer-grade GNSS for air stations, 4) pre-flight calculation of flight parameters based on a clear accuracy requirement, 5) flying at a sufficient height to minimize relief displacement so as to create artifact-free orthophotos. It is hoped that a better understanding of the underlying principles of photogrammetry by both UAV operators and their clients will guarantee the proper implementation of UAVs for high-accuracy GIS data collection in the future.
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 | 0,010 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,006 |
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 ».