Reconstruction of riverbed topography with neural radiance fields
Identification
- Clé publique
- radar:r-0ff39b876418e78acea181b20d25c226
- Auteurs
- Rachbauer, Martin
- Année déclarée
- 2026
- Langue déclarée
- en
- Type source
- Text
- Première détection
- 2026-11-13T08:38:51.753224+00:00
- Dernière observation des métadonnées
- 2026-11-13T08:38:51.753224+00:00
- Dernière vérification HTTP
- Non effectuée
Institutions déclarées par la source
TU Wien
Résumé documentaire — langue originale
Eine genaue 3D-Rekonstruktion flacher Binnengewässer wie Flüsse und Seen ist für Überwachung, Hochwassermodellierung und ökologische Bewertung von entscheidender Bedeutung. Optische Photogrammetrie- und Fernerkundungsmethoden stoßen bei dieser Aufgabe jedoch aufgrund der Lichtbrechung an der Wasseroberfläche an ihre Grenzen. Neural Radiance Fields (NeRFs) haben sich zuletzt als vielversprechende Alternative für dichte 3D-Rekonstruktion auf Basis von RGB-Bildern etabliert. Herkömmliche NeRF-Modelle gehen jedoch davon aus, dass sich Licht entlang einer geraden Linie ausbreitet, und ignorieren dabei Lichtbrechungseffekte. Diese Diplomarbeit bewertet die Leistungsfähigkeit von BathyFacto, einer spezialisierten NeRF-Variante mit expliziter Modellierung von Lichtbrechung, für bathymetrische Kartierung. Das Modell wird auf den Open-Source-Multisensor-Datensatz des Flusses Pielach in Österreich angewendet. Ziel ist es, die Fähigkeit von BathyFacto zur Rekonstruktion des Flussbetts anhand von Bildern aus unbemannten Luftfahrzeugen (UAV) zu bewerten und zu optimieren. Dies geschieht durch den Vergleich der extrahierten Punktwolke mit einer post-prozessierten LiDAR-Punktwolke und manuell eingemessenen Punkten. In dieser Arbeit wird eine gierige sequenzielle Optimierungsstrategie (greedy sequential optimization) eingesetzt, um die Vorverarbeitungsparameter (Bildskalierung, Begrenzungsrahmen der Szene), die Parameter zur Punktwolkenextraktion (Akkumulationsschwelle, Anzahl der exportierten Punkte), die Netzwerkkapazität sowie weitere Trainingskonfigurationen (Kameraoptimierer, initiale Lernraten) anzupassen. Die Genauigkeit der daraus resultierenden Flussbettrekonstruktion wurde anhand der post-prozessierten LiDAR-Punktwolke und manuell eingemessenen Punkten unter Verwendung punktbasierter Methoden und geschätzter Flussbettquerschnitte bewertet. Darüber hinaus wurden rasterbasierte Visualisierungen für qualitative Bewertungen erstellt. Die in dieser Arbeit ermittelte optimale BathyFacto-Konfiguration erzielte einen RMSE für den Abstand zu den Ground-Truth-Punkten von 0.30m. Zum Vergleich: Die Referenz-LiDAR-Daten erreichten für dieselbe Metrik einen RMSE von 0.02m. Im Vergleich zu einer Nerfactoäquivalenten Konfiguration ohne Refraktionskorrektur verschoben die refraktionsberücksichtigenden Komponenten von BathyFacto das rekonstruierte Flussbett im Allgemeinen näher an dieReferenzdaten heran. Allerdings stellen Überhänge und damit das Flussbett verdeckende Vegetation und steigende Wassertiefe weiterhin Fehlerquellen dar. Bemerkenswert ist, dass BathyFacto zwar in früheren Arbeiten bei synthetischen Daten deutlich besser abschnitt als das herkömmliche Nerfacto-Modell, dieser Vorteil sich jedoch bei dem in dieser Arbeit verwendeten realen Datensatz als relativ gering erwies. Dies deutet darauf hin, dass die Leistung von BathyFacto möglicherweise empfindlich auf die Qualität und Konsistenz realer UAV-Bilder oder auf die von Natur aus dynamische Wasseroberfläche reagiert.
Identifiants
- DOI
- 10.34726/hss.2026.142666
- AT_OBV_ID
- AC18083050
Repères documentaires
- Famille documentaire
- unknown
- Types déclarés par les sources
- Text
- Éditeurs
- TU Wien
Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.
Sources
DataCite · Document 1
Citer cette référence
Rachbauer, Martin. Reconstruction of riverbed topography with neural radiance fields. 2026. https://doi.org/10.34726/hss.2026.142666
JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·
APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.
- APA
- Rachbauer, Martin. (2026). Reconstruction of riverbed topography with neural radiance fields. https://doi.org/10.34726/hss.2026.142666
- Chicago
- Rachbauer, Martin. Reconstruction of riverbed topography with neural radiance fields. 2026. https://doi.org/10.34726/hss.2026.142666
- ISO 690
- Rachbauer, Martin. Reconstruction of riverbed topography with neural radiance fields. 2026. https://doi.org/10.34726/hss.2026.142666
Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31
UDTR — Bibliothèque juridique mondiale des droits de la Nature. Reconstruction of riverbed topography with neural radiance fields. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-0ff39b876418e78acea181b20d25c226/ · Dernière vérification HTTP : non effectuée
Données de cette version figée
Dossiers et relations documentaires
Rôles des sources
Source bibliographique / publication d’origine · https://repositum.tuwien.at/handle/20.500.12708/231784
Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.
Statut documentaire
Pertinence à examiner
Bibliothèque
Cette identité n’est pas encore intégrée à la Bibliothèque juridique.