- Titel
- Improving Soil Infiltration Assessment with Deep Learning for Water Segmentation Applied to Time-Lapse Imagery
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-986855
- Konferenz
- 5th Virtual Geoscience Conference. Dresden, 21. - 22. September 2023
- Quellenangabe
- VGC 2023 - Unveiling the dynamic Earth with digital methods
Herausgeber: Helmholtz-Institut Freiberg für Ressourcentechnologie
Herausgeber: Technische Universität Dresden
Erscheinungsort: Dresden
Erscheinungsjahr: 2023
Seiten: 134-135 - Erstveröffentlichung
- 2023
- DOI
- https://doi.org/10.25368/2025.220
- Abstract (EN)
- Infiltration and runoff processes play a crucial role in hydrology and agriculture, influencing water management and environmental conservation. In recent years, the integration of deep learning methods, such as convolutional neural networks (CNNs), has greatly impacted multiple scientific disciplines, including geosciences.
- Freie Schlagwörter (EN)
- convolutional neural networks, water ponding, image segmentation, soil infiltration and runoff
- Klassifikation (DDC)
- 550
- Klassifikation (RVK)
- RB 10081
- Herausgeber (Institution)
- Helmholtz-Institut Freiberg für Ressourcentechnologie, Freiberg
- Technische Universität Dresden, Dresden
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-986855
- Veröffentlichungsdatum Qucosa
- 21.08.2025
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
CC BY 4.0