Beyond visual-line-of-sight (BVLOS) drone operations for environmental and infrastructure monitoring: a case study in northwestern Canada
Notice bibliographique
Résumé
Aerial drones typically operate over small geographic areas (<5 km2), yet environmental and infrastructure monitoring applications often require the collection of data over larger areas. Challenges to drone deployments in areas with people and frequent air traffic include aviation regulations that require missions to adhere to within-visual-line-of-sight (VLOS) conditions, thereby limiting mission extents. The performance and fuel consumption of longer drone missions could justify investment to advance future beyond-VLOS (BVLOS) data acquisitions. This work summarizes airspace deconfliction techniques that allowed testing of BVLOS capabilities in relatively busy airspace in northwestern Canada. Drone missions were conducted with a Griffon SeaHunter, capturing high-resolution imagery covering more than 550 km2 along 6200 km of flight lines, increasing conventional drone data coverage by two orders of magnitude. BVLOS hourly endurance was nearly double that of light aviation mapping aircraft, providing a suitable range for extended monitoring operations (1000–1200 km). Fuel consumption (L/100 km) also differed substantially; SeaHunter used 9%–16% of the fuel consumed by conventional mapping aircraft (84%–91% savings). Finally, we summarize lessons learned to further stimulate BVLOS adoption internationally. Opportunities will arise as BVLOS drones will increasingly be operated within a global context of transitions toward low-carbon emission economies.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».