Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

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

Signaler une correction

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.

UDTR — Bibliothèque juridique mondiale des droits de la Nature