Optimizing Large Scale Particle Image Velocimetry Using a Multi Camera System
Notice bibliographique
Résumé
Hydrometric monitoring plays a vital role in Canada’s environment. It is used for flood monitoring, climate change modelling, water resources engineering design and much more. Environment and Climate Change Canada (ECCC) operates over 2200 hydrometric stations across the country, collecting and publishing near real-time water level and discharge data. Discharge measurements are required to validate rating curves after major rainfall events and periodically throughout the year. Conventional methods can pose safety risks to hydrometric technologists in high flows. Additionally, in flashy streams at remote locations it is challenging to travel to the station in time to obtain the peak discharge. This is where methods such as image velocimetry could be used as an alternative to conventional methods. Numerous surface velocimetry algorithms have been created and adapted for the field, one of which is large scale particle image velocimetry (LSPIV). LSPIV utilizes video recordings of a river surface to estimate the surface velocity field, based on a cross-correlation technique that identifies the displacement between subsequent image frames of surface roughness or scatterers within individual interrogation areas (IA). This study aimed to tackle challenges of both LSPIV and stereoscopic LSPIV. A novel multi-camera LSPIV method was created by combining the best portions of the surface velocity field obtained by each camera. The channel was split in the middle and the portions of the surface velocity field for each half of the channel obtained from the respective adjacent camera were retained and then combined across the cross-section. Single camera LSPIV had absolute percent differences of 11.73%, 26.41%, and 21.05% for the gauge house camera, left bank (bridge) camera and right bank (bridge) camera, respectively, compared to ADCP measurements. The multi-camera method resulted in an improvement compared to the best single camera estimates in four of five surveys and had an absolute average difference of 8.19% compared to the ADCP. The results also reinforced the importance of surface texture and environmental conditions in LSPIV analysis.
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 | 0,000 | 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) | 0,002 | 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 ».