Accuracy Assessment from UAS Imagery for Surface Modeling
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
Small Unmanned Aircraft Systems (sUAS) have become an alternative approach for mapping and surface modeling. As technology advances that is coupled with sUAS, there has been an increase in methods developed for topographic mapping and site monitoring, particularly small to medium projects in construction and civil engineering. One of the most popular methods is image based mapping and modeling with a sUAS. This particular technique provides a dense point cloud, orthophoto, and surface model which can be used for these type of projects. However, the accuracy of photogrammetrically derived point clouds from sUAS imagery is not extensively tested. For these reasons, an evaluation was performed to assess the accuracy through a case study of a point cloud derived from sUAS imagery. A parking lot located in Ontario, California, in particular, the Citizens Bank Arena (CBA) was surveyed and used as our test site. To verify the accuracy of the sUAS derived point cloud, Ground Control Points (GCPs) were measured throughout the study area using a Global Navigation Satellite System (GNSS) Real-Time Kinematic (RTK) survey. When the GNSS-RTK survey was compared to the sUAS derived point cloud, the residuals were found to be 18 mm, and -21 mm for the horizontal and vertical components, respectively. These results from the evaluation performed indicate that sUAS derived point clouds can produce measurements that are comparable to traditional methods. In some instances, it might yield a cost-effective, safe, and efficient resolution for mapping and surface modeling in construction and civil engineering projects.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle