Super-Resolution for Enhanced Fluvial Sediment Measurement in UAV Images 
Notice bibliographique
Résumé
Drone imagery can efficiently perform large-scale riverbed grain size measurements. However, its applicability is significantly constrained by image resolution limitations. This issue is especially critical in mountainous areas, where sediments exhibit a wide range of grain sizes and spatial heterogeneity. To address this issue, this paper develops a new fluvial sediment measurement technique for UAV images using a deep learning technique super-resolution (SR). We first used RTK-based UAV technology to collect high-resolution riverbed grain orthophotos of different types of mountain rivers, with the collected UAV images having a resolution between 3~5 mm/pixel. Four types of super-resolution models Nearest Neighbor, Lanczos filter, SRCNN and SRGAN were trained to restore the high-resolution images from low-resolution riverbed images. Three automated grain sizing methods BASEGRAIN, GrainID and ImageGrains were applied to the images restored by SR models, and 113,456 manual grain labels are created as grain size baseline for model evaluation. The efficacy of all three models diminishes with decreasing resolution, with BASEGRAIN being the most robust and GrainID the most sensitive. Application of all four SR models model significantly increase the efficacy of grain size measurement, and SRGAN models with upscaling factor of 4 (SRGAN×4) outperform other models. Further analysis shows the minimum detectable sediment particle size of SRGAN×4 is 1 pixel, which exceed the minimal human vision limitation for detecting grain size. The SR technology proposed in this paper makes it more feasible to rapidly obtain the riverbed grain size over a wide range in mountainous rivers.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».