Nowe metody wspomagania obserwacji hydrologicznych wykorzystujące bezzałogowe statki powietrzne i uczenie maszynowe

Abstract

Współczesne badania hydrologiczne stoją przed wyzwaniami klimatycznymi i technologicznymi. Celem pracy było opracowanie metod wspierających obserwacje hydrologiczne z wykorzystaniem BSP i uczenia maszynowego. Pierwsza metoda rozwiązuje problem zaburzeń w numerycznych modelach pokrycia terenu małych strumieni. Zastosowano splotową sieć neuronową do estymacji poziomu wody na podstawie danych fotogrametrycznych. Przetestowano dwa warianty: prosty model z enkoderem i bardziej zaawansowaną metodę wykorzystującą maskę wag. Drugi wariant poprawił dokładność i wyjaśnialność modelu, redukując RMSE nawet o 62% względem tradycyjnych metod. Rozwiązanie osiągnęło wyniki porównywalne z technologią radarową. Druga metoda minimalizuje błędy pomiaru temperatury kamer termowizyjnych na BSP. Opracowano algorytm korekcji obejmujący usuwanie winietowania, georeferencjonowanie i optymalizację spójności temperatury. Testy wykazały redukcję RMSE o 39% i MAI o 40.5%. Algorytm działa automatycznie, nie wymagając kalibracji ani ingerencji operatora. Trzecia metoda adaptuje algorytm PT-JPL, pierwotnie stosowany w misji ECOS TRESS, do obliczeń ewapotranspiracji na podstawie danych BSP. Porównanie wyników z metodą kowariancji wirów wykazało wysoką zgodność, co potwierdziło możliwość zastosowania PT-JPL w pomiarach BSP. Contemporary hydrological research faces climatic and technological challenges. The aim of this study was to develop methods supporting hydrological observations using UAVs and machine learning. The first method addresses disturbances in numerical terrain models of small streams. A convolutional neural network was applied to estimate water levels based on photogrammetric data. I wo variants were tested: a simple encoder-based model and a more advanced method utilizing a weight mask. The second variant improved model accuracy and explainability, reducing RMSE by up to 62% compared to traditional methods. The solution achieved results comparable to radar technology. The second method minimizes temperature measurement errors in thermal cameras mounted on UAVs. A correction algorithm was developed, incorporating vignetting removal, georeferencing, and temperature consistency optimization. Tests showed an RMSE reduction of 39% and an MAE reduction of 40.5%. The algorithm operates automatically, requiring no calibration or operator intervention. The third method adapts the PT-JPL algorithm, originally used in the ECOSTRESS mission, for evapotranspiration calculations based on UAV data. A comparison with the eddy covariance method showed high agreement, confirming the feasibility of applying PT-JPL in UAV- based measurements.