Direct Georeferencing UAV-SfM in High-Relief Topography: Accuracy Assessment and Alternative Ground Control Strategies along Steep Inaccessible Rock Slopes
Notice bibliographique
Résumé
Steep rock slopes present key opportunities and challenges within Earth science applications. Due to partial or complete inaccessibility, high-precision surveys of these high-relief landscapes remain a challenge. Direct georeferencing (DG) of unoccupied aerial vehicles (UAVs) with advanced onboard GNSS receivers presents opportunities to generate high-resolution 3D datasets without ground-based access to the study area. However, recent research has revealed large vertical errors using DG that may prove problematic in near-vertical terrain. To address these concerns, we examined more than 75 photogrammetric UAV-datasets with various imaging angles (nadir, oblique, and combinations) and ground control scenarios, including DG, along a steep slope exposure. Results demonstrate that mean errors in DG scenarios are up to 0.12 m higher than datasets using integrated georeferencing with well-distributed GCPs. Inclusion of GCPs greatly reduced mean error values but had limited influence on precision (<0.01 m) for any given imaging strategy. Use of multiple image angles resulted in the highest precisions, regardless of georeferencing strategy. These findings have implications for applications requiring the highest precision and accuracy (e.g., geotechnical engineering, hazard mitigation and mapping, and geomorphic change detection), which should consider using ground control whenever possible. However, for applications less concerned with absolute accuracy, our results show that DG datasets provide strong internal consistency and relative accuracy that may be suitable for high precision measurements within a model, without use of ground control.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».