High-Precision Measurement of Height Differences from Shadows in Non-Stereo Imagery: New Methodology and Accuracy Assessment
Notice bibliographique
Résumé
The shadow-height method has been extensively used to extract the heights of buildings from the shadows they cast in non-stereo (single view) aerial and satellite imagery. However, the use of this method in Earth sciences has been limited, partially due to the relatively low accuracy reported, the fuzziness of shadow edges, the complexities of the scanning sensors, and a lack of software tools. In this paper, we present an enhanced shadow-height methodology offering significant accuracy improvement. These improvements are mainly the result of using a physical approach to model the illumination gradient through the edge of shadows and by leveraging meteorological data to precisely estimate atmospheric refraction. We validated 91 shadow-derived height estimations from images obtained by the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) at three sites with latitudes between 33 and 78°S: The Andes Mountains, Sentinel Range, and Abbot ice shelf. Reference measurements were obtained from Global Navigation Satellite System (GNSS) surveys and the Ice, Cloud, and land Elevation Satellite (ICESat). The observed errors fell below 6% for small height differences (∼20 m) and below 2% for larger height differences (≳300 m). Our validation data cover solar elevations ranging from 3.7 to 42.2°, and we observed smaller absolute errors at lower solar elevations. This novel information can be valuable for studying surface elevation changes in present and old imagery and extending glacier volume variation time-series.
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 ».