Assessment of UAS Photogrammetry and Planet Imagery for Monitoring Water Levels around Railway Tracks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High water levels near railway tracks can be a major factor affecting the safety of train passage. Water conditions near the tracks are normally monitored through visual inspections. However, this method is limited in spatial coverage and may not provide comparable information over time. We evaluated the utility of satellite imagery (Planet Dove constellation at 3 m pixel size) at the landscape level to assess overall water surface area along railway tracks. Comparatively, we evaluated the use of Structure- from-Motion 3D point clouds and high spatial detail orthomosaics (3 cm) generated from a commercial off-the-shelf Unmanned Aerial System (UAS) (DJI M300 RTK) for measuring vertical water level changes and extent of surface water, respectively, within the right-of-way of a railway line in Ontario, Canada, in areas prone to high water level and flooding. Test sites of varied lengths (~180 m to 500 m), were assessed four times between June and October 2021. Our results indicate that the satellite imagery provides a large-scale overview regarding the extent of open water in wetlands at long distances from the railway tracks. Analysis of the UAS derived 3D point cloud indicates that changes in water level can be determined at the centimeter scale. Furthermore, the spatial error (horizontal and vertical alignments) between the multi-temporal UAS data collections between sites was less than 3 cm. Our research highlights the importance of using consistent UAS data collection protocols, and the significant potential of commercial off-the-shelf UAS systems for water level monitoring along railway tracks.
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.
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 | 0,000 | 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 découle