Limiting External Absorptivity of UAV-Based Uncooled Thermal Infrared Sensors Increases Water Temperature Measurement Accuracy
Notice bibliographique
Résumé
Thermal mapping of surface waters and the land surface via UAVs offers exciting opportunities in many scientific disciplines; however, unresolved issues persist related to accuracy and drift of uncooled microbolometric thermal infrared (TIR) sensors. Curiously, most commercially available UAV-based TIR sensors are black, which will theoretically facilitate heating of the uncooled TIR sensor via absorbed solar radiation. Accordingly, we tested the hypothesis that modifying the surface absorptivity of uncooled TIR sensors can reduce thermal drift by limiting absorptance and associated microbolometer heating. We used two identical uncooled TIR sensors (DJI Zenmuse XT2) but retrofitted one with polished aluminum foil to alter the surface absorptivity and compared the temperature measurements from each sensor to the accurate measurements from instream temperature loggers. In addition, because TIR sensors are passive and measure longwave infrared radiation emitted from the environment, we tested the hypotheses that overcast conditions would reduce solar irradiance, and therefore induce thermal drift, and that increases in air temperature would induce thermal drift. The former is in contrast with the conceptual model of others who have proposed that flying in overcast conditions would increase sensor accuracy. We found the foil-shielded sensor yielded temperatures that were on average 2.2 °C more accurate than those of the matte black sensor (p < 0.0001). Further, we found positive correlations between light intensity (a proxy for incoming irradiance) and increased sensor accuracy for both sensors. Interestingly, light intensity explained 73% of the accuracy variability for the black sensor, but only 40% of the variability in accuracy deviations for the foil-shielded sensor. Unsurprisingly, an increase in air temperature led to a decrease in accuracy for both sensors, where air temperature explained 14% of the variability in accuracy for the black sensor and 31% of the accuracy variability for the foil-shielded sensor. We propose that the discrepancy between the amount of variability explained by light intensity and air temperature is due to changes in the heat energy budget arising from changes in the surface absorptivity. Additionally, we suggest fine-scale changes in river-bed reflectance led to errors in UAV thermal measurements. We conclude with a suite of guidelines for increasing the accuracy of uncooled UAV-based thermal mapping.
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 | 0,001 | 0,004 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».