 |
BMe Kutatói pályázat |
|
Ermilov Alexander Anatol
BMe kutatói pályázat - 2020
III. díj
Vásárhelyi Pál Építőmérnöki és Földtudományok Doktori Iskola
BME ÉPK, Vízépítési és Vízgazdálkodási Tanszék
Témavezető: Dr. Baranya Sándor
Folyami áramlás és mederfenék kölcsönhatásának vizsgálata képalapú eljárásokkal
A kutatási téma néhány soros bemutatása
Az alluviális folyók medrének formálódását az áramlás fizikai jellemzői (pl. áramlási sebesség, fenék-csúsztatófeszültség, vízmélység, turbulencia) és a folyómeder (pl. mederanyag összetétele, szemalak, porozitás, rétegződés) kölcsönhatása befolyásolja. A mederfelszín érdessége kihat az áramlásra, az áramlásból eredő súrlódás, más néven csúsztatófeszültség pedig visszahat a mederben elhelyezkedő hordalékra és mozgásba hozhatja azt. A folyó hordalékszállító képességének függvényében bizonyos szakaszokon rombolja (elmossa), máshol pedig építi (lerakja) saját medrét. E komplex kölcsönhatást a hidromorfológia tudománya vizsgálja. Összetettsége miatt élénk kutatás övezi világszerte, új mérési eljárások kifejlesztését tűzve ki célul, melyek segítségével a mechanizmus összefüggései a korábbiaknál pontosabban feltárhatók lennének. Ezt a gazdaságos vízhasznosításra és -gazdálkodásra irányuló, egyre növekvő igény, valamint a természetvédelem és a klímaváltozás csak tovább fokozza. Mindehhez egyaránt szükségesek laboratóriumi és terepi méréstechnológiai fejlesztések, ugyanis az eddig alkalmazott eljárások közismerten hiányosak és körülményesek.
A kutatóhely rövid bemutatása
A kutatásomat elsősorban a BME Vízépítési és Vízgazdálkodási Tanszékének (VVT) műszereivel végzem. A vizsgálatok terepi részét a Duna felső-magyarországi szakaszán, Gönyű térségében folytatom a VVT mérőcsapatában. A helyszín megválasztását az ottani változatos hordalékviszonyok és az ahhoz kapcsolódó gyakorlati problémák indokolták. A laboratóriumi elemzéseket elsősorban a VVT laboratóriumában végzem. Nemrégiben lehetőségem adódott, hogy egy együttműködés keretében kiutazzak és pár hónapot eltöltsek a Norwegian University of Science and Technology, Department of Civil and Environmental Engineering (NTNU) csapatával, Norvégiában, ahonnan korszerű laboratóriumi mérési adatokkal térhettem haza.
A kutatás történetének, tágabb kontextusának bemutatása
A természetes vízfolyások mederalakja folyamatosan változásban van; ezt a jelenséget morfodinamikának hívjuk. A mechanizmus kiemelt jelentőséggel bír mind az ember (pl.: folyami hajózóutak fenntartása, parti szűrésű ivóvíz-kitermelés, vízenergia-termelés) [1,2], mind a vízi ökoszisztémák (pl.: halívóhelyek, makrogerinctelenek élőhelye, oldott oxigén transzport) [3-5] számára. A téma fontosságának ellenére, a kölcsönhatás komplex természetéből kifolyólag, ma is rendkívül sok kérdés áll megválaszolatlanul. A jelenség összetettségén kívül (de részben abból kifolyólag) a bevett, hagyományos hordalék-mintavételezési eljárások nem szolgáltatnak megfelelő minőségű és mennyiségű információt ahhoz, hogy a hidromorfológiai folyamatokat részletekbe menően megismerjük és pontosan modellezhessük. Ennek egyik oka az, hogy a jelenlegi módszerek elvégzése egyrészt energia- és időigényes, másrészt pedig csakis pontszerű információt szolgáltat. Ez a tény különösen problémássá teszi a méréseket az ún. középszakasz jellegű vízfolyásoknál (pl. a Duna magyarországi szakasza), ahol a hordalék rendkívül változatos összetételű mind térben (akár pár 100 méteren belül), mind időben (vízállástól függően). Ha ezen változatosságot megfelelően akarnánk a jelenlegi módszerekkel feltárni, akkor méréseinket jelentősen sűríteni kellene, amit viszont azok energia- és időigénye nem tesz lehetővé. A hordalékmintázási eljárások körülményessége miatt a kampányszerű méréseket sok helyen (néhol akár hosszú évekre is) felhagyták, nemcsak hazai, de nemzetközi szinten is, ami hiányos adatsorokat eredményezett. Ez legfőképpen a mederfenéken mozgó görgetett hordalék mérésére érvényes. Ehhez társul az is, hogy a hagyományos görgetetthordalék-mintavevők mindegyike hibával és bizonytalansággal terhelt [6-10]. A problémák ugyanígy fennállnak a mederanyagot alkotó, nyugalomban lévő hordalék méretszerinti eloszlásának meghatározására (szemösszetétel; agyag < iszap < homok < kavics) irányuló vizsgálatokra is. Éppen ezért a technológia fejlődésével a téma kutatói folyamatosan olyan új módszereket keresnek, amelyek képesek lehetnek az adathiány megszüntetésére és új összefüggések feltárására.
A kutatás célja, a megválaszolandó kérdések
Napjainkban az informatika és a számítógépek gyors fejlődésével egyre bővül azon folyamatok köre, amelyeket szimulációkkal, numerikus modellekkel pontosan le tudunk írni. Ehhez azonban a megválasztott paramétereinknek és a bemeneti adatainknak is kellően pontosaknak kell lenniük. A hidromorfológia területén a folyami mederanyag és a hordalékviszonyok területi és időbeli változékonyságának feltárása hagyományos mérési módszerekkel sokszor körülményes, pontatlan és nem kellően reprezentatív. Jelen kutatás az eddig említett nehézségeket kívánja áthidalni mérésmódszertani fejlesztésekkel, víz alatti kamerák és ún. képfeldolgozó algoritmusok alkalmazásán keresztül. Ezt a számítástechnika és a gépi látás folyamatos fejlődése teszi lehetővé. Megfelelő algoritmusok adaptálása megnyitja az utat a mérések nagyfokú automatizálása felé, megszűntetve ezzel az energia- és időigényből származó korlátokat. Mindemellett, mivel közvetlen képet kapunk a folyamatokról, s azokat akár több szemszögből, saját szemünkkel láthatjuk, vizuálisan is hozzájárul a mechanizmusok megértéséhez, nem mellékesen csökkentve ezzel a mérési bizonytalanságot is. Azáltal pedig, hogy a kamerák nagyobb területek pásztázására is képesek, kiszűrhető a pontszerűségből származó hibaforrás, és mezőszerű adatokat kaphatunk.
Módszerek
Kutatásomban célonként eltérő képfeldolgozó eljárásokat alkalmazok. Általánosságban elmondható, hogy a kamerák által készített felvételek képkockáit mindegyik eljárás egy-egy mátrixként kezeli, melynek elemei a képkocka adott pixeljének intenzitása (szürkeségi értéke). A pixelértékek időbeli és térbeli változását vizsgálva lehet következtetéseket levonni például a képen mozgó vagy éppen álló objektumok méretéről. Az eljárásokban közös az is, hogy ismert valós méretű referenciatárgynak is szerepelni kell a képeken, hogy a pixeltávolságokat SI-mértékegységekké tudjuk konvertálni. Az első ilyen módszer a Buscombe által, szemeloszlás meghatározására fejlesztett „transferable wavelet” módszer [11], melyet a mederanyag szemösszetételének meghatározására választottam. Lényege, hogy pixel soronként és oszloponként az intenzitásértékeket egybefüggő jelekként kezeli, melyet ezután elemi waveletekké transzformál. Az így kapott alkotóelemek méretéből és számából sűrűség-, majd eloszlásfüggvényt számol.
- ábra: A wavelet-módszer Buscombe-féle alkalmazásának elve a bal felső sarokban látható kavicsokról készült kép egy pixel során (fekete szaggatott) bemutatva. A végeredmény a jobb alsó sarokban látható sűrűségfüggvény, melyet integrálva megkapjuk a vizsgált kavicssor szemeloszlás görbéjét. [11]
Buscombe szárazra került mederszakaszokon alkalmazta módszerét, melyet én víz alatti környezetre kívántam átültetni. Ehhez ki kellett találnom a megfelelő műszer-összeállítást. A mérési elrendezésnél egy motorcsónakból a mederfenék fölé leeresztett áramvonalas testre kamera és búvárlámpák lettek erősítve, mely installációt a többi terepi képfeldolgozó módszerhez is felhasználtam később. A referenciaméretet kezdetben egy fenékre leérő, ismert méretű objektum jelentette, de később a mobilitás érdekében ezt mederre irányított lézerekre cseréltem oly módon, hogy a fénypontjaik közötti távolság ismert legyen.
- ábra: Két példa a víz alatt készült legelső felvételekből. A referenciaobjektumot a kép alján látható csavar jelentette.
A meder változásának mértékét jól számszerűsítő görgetett hordalékhozam meghatározására a biztonságtechnikában és térmegfigyelő rendszereknél jól ismert ún. statisztikai háttérmodellt [12,13] adaptáltam és programoztam le. Ez az eljárás lehetővé teszi a felvételen látszó fix háttér és a mozgásban lévő előtér szeparációját. Az egyes pixelekben a szürkeségi érték idősorát vizsgáljuk. A leggyakrabban visszatérő érték lesz a háttér, míg a gyakran változó értékek az előtte mozgó objektumok. Ezzel a módszerrel megkaptam a görgetett hordalék méretét és tömegét. Ezután a sebesség kiszámítása következett, melyhez tanszéki kollégámmal együttműködve Particle Image Velocimetry (PIV) [14,15] eljárást fejlesztettünk, mely módszer a videófelvételeken látható minták beazonosításán és azok követésén alapszik, és a minták elmozdulásának mértékéből és a közben eltelt időből sebességet számít. Esetünkben a mintákat a hordalékszemcsék jelentették. Az így kapott eredményekből a hordalék tömegárama, vagyis a hordalékhozam már számolható volt. Következő módszerként a térinformatikából ismert Structure-from-Motion [16] eljárást kívántam alkalmazni a folyómeder 3D modelljének, majd abból a szemcseléptékű mederérdességének meghatározására. Ennek lényege egy adott objektumról (jelen esetben a mederről) több, átlapoló kameraszögből készült felvételen a közös pontok felismerése és összefűzése. Ezt követi a kamerapozíciók kiszámolása és 3D modell leképzése. Mindezekre egy, a fenti műveletek végrehajtására képes térinformatikai szoftvert [17] alkalmaztam [S.1., S.3.]. Végezetül ismételten a PIV eljárás használtam, de ezúttal a lézeres 2,5D, illetve 3D módszert [18-20], egy laboratóriumi üvegcsatornába beépített ismert tulajdonságú mesterséges meder fölött kialakuló áramlás és turbulencia vizsgálatára. Előbbi esetben egy megvilágított sík mentén, míg utóbbinál egy téglatestben határozzuk meg a mintázatok 3 nagy felbontású sebességkomponensét. Ilyen esetben a vízbe bocsátott és azzal együtt mozgó jelzőanyag alkotta minták lettek követve, és azzal a feltevéssel élünk, hogy az így kapott sebességvektorok a folyadék adott pontjára jellemzőek.
Eddigi eredmények
A kutatás első főbb eredménye a mederfeneket alkotó, az adott vízjárásnál álló hordalék, azaz a mederanyag szemeloszlásának sikeres képalapú vizsgálata volt, víz alatti kamerák segítségével. A tesztmérések eredményeit összehasonlítottam az ugyanazon helyeken végzett hagyományos mérésekéivel, és sok esetben jó egyezést kaptam. Mindemellett, sikeresen kiküszöböltem az eltérő képi elemzési módszerek (térfogati és felületi eloszlás közötti eltérés) közötti különbségből adódó hibákat. Az így nyert tapasztalatokból további fejlesztési irányokat jelöltem ki. Sikerült tehát bebizonyítani, hogy az alkalmazott algoritmus és műszer-összeállítás képes lehet a célul kitűzött gyors, kellően pontos és mezőszerű mederanyagadatok kinyerésére [S.1.,S.3.,S.4.].
- ábra: A Duna medrének egy pontjában történt hagyományos (fekete) és képalapú (kék és sárga) mintavételezés szemeloszlásgörbéi egymással jó egyezést mutattak. Kékkel az eredeti képből kapott eredmény, míg sárgával az abból átszámolt, transzformált értékek láthatóak, a módszerek elvi különbségeinek áthidalására tett kísérletként.
- ábra: A Duna medrének egy másik pontjában történt hagyományos (fekete) és képalapú (kék és sárga) mintavételezés szemeloszlásgörbéi, ahol az elvi különbségek nagyobb eltérést eredményeztek (értsd: kék és fekete görbék távolabb vannak egymástól), de a transzformált (sárga) görbe már közelebbi egyezést mutatott, ami arra utal, hogy valóban van alapja az elvégzett transzformációnak.
A következő eredményt a fenéken mozgó, görgetett hordalék videóalapú mérése jelentette. A víz alatti kamera által rögzített felvételek alapján, egy saját fejlesztésű eljárással megbecsültem a mozgó hordalék mennyiségét. Az eredmények jó egyezést mutattak a helyszínen hasonló vízállásnál korábban végzett hagyományos mérés eredményével. Fontos azt is megemlíteni, hogy az alkalmazott algoritmus működési elvéből kifolyólag kompatibilis a fent említett mederanyag-elemző eljárással, ugyanis lehetséges a mozgó és a fix hordalék szeparálása, s külön-külön kezelése [S.3.,S.5.].
- ábra: A statisztikai háttérmodell alkalmazása a mederről készült videóra. Bal felső sarokban az eredeti videó. Jobb alsó sarokban a már detektált előtér (mozgó részek) binarizált megjelenítésben (fehér: mozog, fekete: fix). A bal alsó sarokban az eredeti videó és az előtér különbsége, azaz a háttér látható.
- ábra: A videót 5 hosszanti sávra osztottuk, hogy a hordalékmozgás egyenlőtlen eloszlását vizsgálni tudjuk. A függőleges tengelyen egy adott pillanatban, az adott sávban éppen mozgásban lévő tömeg kék színnel, az addigi kumulált átlag pirossal látható.
- ábra: A PIV módszer eredménye, a felismert mintázatok sebességvektorai.
Következő lépésként áttértem nagyobb területek kamerával történő feltárására. A teszt mérés során készített felvétel segítségével sikerült a folyómeder egy-egy sávjának a 3D modelljét cm-nagyságrendű felbontással leképezni, majd a fenék-csúsztatófeszültség mint hordalékmozgató erő szempontjából releváns felületi érdesség paramétert kiszámolni.
- ábra: A felső két ábra a medersávok már összefűzött képkockáit mutatja fel, míg az alsó kettő a belőlük generált 3D mederfelszínmodelleket. Baloldalon egy kavicsosabb, érdesebb, míg jobboldalon egy inkább homokosabb rész látható.
Az így kapott értékek szintén megfeleltek az elvártaknak [S.1., S.3.]. Az érdesség meghatározásán kívül a generált finomléptékű 3D domborzat már közvetlenül beépíthető például számítógépes szimulációs modellekbe is, amelyekkel a víz és hordalék mozgását tudjuk modellezni. Ugyanakkor, szintén kompatibilis a mederanyag-elemző programmal, hisz a pásztázás során készült videóból tetszőlegesen kinyerhetők képkockák a fix meder adott részéről további elemzésre. A legfrissebb eredményeim a laboratóriumi üvegcsatornában végzett áramlástani vizsgálatokhoz kapcsolódnak. Az alkalmazott, korszerű PIV-módszerek a különböző alaktani jellemzőkkel bíró mederanyag-feletti áramlás igen részletes elemzését tették lehetővé. Az elvégzett vizsgálatokkal a turbulencia és a meder kölcsönhatását kivételes pontossággal tudtam megvizsgálni, ezzel is hozzájárulva a témában található szűk nemzetközi irodalom kibővítéséhez és újszerű eredményekhez.
- ábra: A 2,5D (sík menti) PIV eredményének egy részlete. A szín a meder felett áramló jelzőanyag részecskék eredő sebességének nagyságát jelöli, melyről feltételezhetjük, hogy megegyezik magának a víznek a sebességével. Az áramlás balról jobbra halad.
- ábra: A 3D (térfogatbeli) PIV eredményének egy részlete. A szín az eredő sebességvektor nagyságát jelöli. Az áramlás jobbról balra halad.
- ábra: A 3D PIV egy adott pillanatbeli eredményéből (A) metszetek készíthetőek akár hosszmentén (B) akár keresztirányban (C). A sebességvektorok irányát feltüntetve teljes képet kapunk az áramlás struktúrájáról.
Összességében elmondható, hogy sikeresen kifejlesztettem és igazoltam egy új képalapú, terepi mérési eljárást a hidromorfológia területén. Feltártam az egyes eljárások alkalmazhatósági korlátjait, majd azok alapján kijelöltem lehetséges továbbfejlesztési irányokat is. A kutatásom során olyan képfeldolgozó módszereket fejlesztettem tovább és adaptáltam akár más tudományterületről is, melyek egymás számára is átjárhatók és összekapcsolhatók. Mindegyik eljárás kompatibilis a mederanyag-elemzéssel, de például a medersávok Structure-from-Motion eljárással készült modelljei 3D nyomtatás segítségével akár a laborba is átültethetők, hogy ott PIV-vizsgálatoknak vessük alá őket. A módszerek ily fokú összekapcsolódása is bizonyítja, hogy alkalmazásuk jelentheti a szakma által áhított mérési és a kölcsönhatás pontosabb megértését biztosító újítást.
- ábra: Egy példa a bemutatott módszerek összekapcsolására. A) A mederfelszín mederkamerázásból Structure-from-Motion eljárással előállított 3D modellje. Az érdességszámításokat a képen látható (modellt elmetsző) piros vonal mentén végeztük el. B) A mederfelszín vonal menti metszete és a számított érdesség értékek változása. C) A kamerázás egyik pillanatában a mederről készült fotó, rajta a képfeldolgozó algoritmus által kékkel beazonosított és lemért egyedi szemcsék. D) Laboratóriumi eredmény a meder (sötét kékkel) felett kialakuló sebességmezőről az ún. Particle Image Velocimetry képfeldolgozó eljárás alkalmazásával.
Várható impakt, további kutatás
A kutatás során végrehajtott méréstechnológiai fejlesztések sorozata, azok praktikussá és elérhetővé tétele a hidromorfológiai vizsgálatok eddigi hiányosságait hivatott pótolni, újszerű és egyedi eredményeket kitermelve mind hazai, mind nemzetközi szinten. Az így elérhető új információk az eddigieknél magasabb szinten képesek segíteni a folyami áramlás és a mederfenék kölcsönhatásának leírását és új összefüggések felkutatását. A jövőben a terepi és az üvegcsatornás labormérések eredményeinek részletekbe menő elemzését tervezem. Ezt követően a laborban részletesen megismert áramlási struktúrákban és viszonyokban numerikus modellezési vizsgálatokat folytatok majd hordalékmozgásra azt kihasználva, hogy az „alapállapotot” (mozgó hordalék nélkül) az új módszerekkel igen jól felmértük. Amennyiben a laboratóriumi számítógépes modellek megerősítik a feltárt összefüggéseket, azok terepi viszonyokra történő alkalmazása lesz a következő lépés. A kutatás során fejlesztett, a mederfenék közelében mozgó görgetett hordalék vándorlását feltáró videóalapú eljárás felkeltette a norvégiai NTNU egyetem érdeklődését, és kezdeményezésükre egy magyar–norvég–német közös kutatási projekt alapjait dolgoztuk ki. Az itt bemutatott kutatási eredmények első részét egy hazai és egy magasan jegyzett nemzetközi folyóiratban (WATER) sikerült publikálnom, ami jelzi a téma fontosságát és aktualitását. Eredményeimet nemzetközi konferenciákon is ismertettem, és ennek köszönhetően egy forráskódcserére is sor került a svájci ETH Zürich egyik elismert professzorával [21].
Saját publikációk, hivatkozások, linkgyűjtemény
Kapcsolódó saját publikációk listája.
S.1. Ermilov, A. A., Baranya, S., & Török, G. T. (2020). Image-Based Bed Material Mapping of a Large River. WATER, 12(3). http://doi.org/10.3390/w12030916
S.2. Ermilov, A. A. (2020). „Mossa a Duna? Hiszem, ha látom.” - Innovatív mérési módszerek fejlesztése folyó hidromorfológiában. ÉLET ÉS TUDOMÁNY, LXXV. évfolyam(31. szám), 969–971.
S.3. Ermilov, A. A., Baranya, S., Fleit, G., & Török, G. T. (2020). Képalapú módszerek fejlesztése folyók morfodinamikai vizsgálatához. HIDROLÓGIAI KÖZLÖNY.
S.4. Ermilov, A. A., Baranya, S., & Török, G. T. (2019). IMAGE BASED BED MATERIAL MAPPING OF A LARGE RIVER. In Proceedings of the 2nd International Symposium and Exhibition on Hydro-Environment Sensors and Software (105–112 oldal).
S.5. Ermilov, A. A., Fleit, G., Zsugyel, M., Baranya, S., & Török, G. T. (2019). Video based bedload transport analysis in gravel bed rivers. In Geophysical Research Abstracts (Vol. 21).
S.6. Benkő, G., Baranya, S., Török, G. T., Molnár, B., & Ermilov, A. A. (2019). Analysis of river bed material composition with Deep Learning based on drone video footages. In Geophysical Research Abstracts (Vol. 21).
S.7. Ermilov, A. A., Baranya, S., & Rüther, N. (2018). Numerical simulation of sediment flushing in reservoirs with TELEMAC. GEOPHYSICAL RESEARCH ABSTRACTS, 20 (EGU2018-12355), 12355 (2018).
Linkgyűjtemény.
BME Vízépítési és Vízgazdálkodási Tanszék
Norwegian University of Science and Technology, Department of Civil and Environmental Engineering
Középszakasz jellegű vízfolyás
Térfogati és felületi eloszlás
Hivatkozások listája.
1. Healey, K. M., Cox, A. L., Hanes, D. M., Chambers, L. G. (2015). State of the practice of sediment management in reservoirs: Minimizing sedimentation and removing deposits. Proceedings of the 5th Federal Interagency Hydrologic Modeling Conference and the 10th Federal Interagency Sedimentation Conference, 2015. április 19–23.
2. Rákóczi, L. (1979). Mederanyag-minták információtartalma és hasznosítása a folyószabályozásban. Magyar Hidrológiai Társaság Országos vándorgyűlésének kiadványa, Keszthely.
3. Buendia, C., Gibbins, C. N., Vericat, D., Batalla, R. J., Douglas, A. (2013): Detecting the structural and functional impacts of fine sediment on stream invertebrates. Ecol. Indic. 25: 184–196. https://doi.org/10.1016/j.ecolind.2012.09.027.
4. Descloux, S., Datry, T., Marmonier, P. (2013): Benthic and hyporheic invertebrate assemblages along a gradient of increasing streambed colmation by fine sediment. Aquati Sci. 75 (4): 493–507. https://doi.org/10.1007/s00027-013-0295-6
5. Sear, D. S., Frostick, L. B., Rollingson, G., Lisle, T. E. (2008): The Significance and Mechanics of Fine-sediment Infiltration and Accumulation in Gravel Spawning Beds. American Fisheries Society Symposium 65.
6. Ehrenberger, R. (1931). Direkte Geschiebemessungen an der Donau bei Wien und deren bisherige Ergebnisse. Die Wasserwirtschaft, 34: 581–589.
7. Emmett, W.W. (1980). A field calibration of the sediment-trapping characteristics of the Helley-Smith bedload sampler. USGS Professional Paper, 1139, U.S. Govt. Print. Off.
8. Carey, W.P. (1985). Variability in measured bedload-transport rates. Water Resources Bulletin 21 (1), 39–48.
9. Vericat, D., Church, M., Batalla, R.J. (2006). Bed load bias: comparison of measurements obtained using two (76 and 152 mm) Helley–Smith samplers in a gravel-bed river. Water Resour. Res. W01402. http://dx.doi.org/10.1029/2005WR004025
10. Camenen, B., Jaballah, M., Geay, T., Belleudy, P., Laronne, J. B., and Laskowski, J. P. (2012). Tentative measurements of bedload transport in an energetic alpine gravel bed river. River Flow 2012, Taylor & Francis Group, London, 379–386, 2012.
11. Buscombe, D. (2013). Transferable wavelet method for grain-size distribution from images of sediment surfaces and thin sections, and other natural granular patterns. SEDIMENTOLOGY (2013) 60, 1709–1732. doi: 10.1111/sed.12049.
12. Bouwmans, T. (2010). Statistical Background Modelling for Foreground Detection: A Survey. Handbook of Pattern Recognition and Computer Vision, 181–199. oldal, doi: 10.1142/9789814273398_0008.
13. Jeeva, S., Sivabalakrishnan, M. (2015). Survey on background modeling and foreground detection for real time video surveillance. Procedia Computer Science 50 (2015) 566 – 571. ISBCC’15. https://doi.org/10.1016/j.procs.2015.04.085
14. Adrian, R. J. (1991). Particle-Imaging Techniques for Experimental Fluid Mechanics. Annu. Rev. Fluid Mech. 23 (1991) 261–304.
15. Fleit, G., Baranya, S. (2019). An improved particle image velocimetry method for efficient flow analyses. Flow Measurement and Instrumentation Vol. 69, October 2019, 101619. https://doi.org/10.1016/j.flowmeasinst.2019.101619
16. Westoby, M. J., Brasington, J., Glasser, N. F., Hambrey, M. J., Reynolds, J. M. (2012). ‘Structure-from-Motion’ photogrammetry: A low-cost, effective tool for geoscience applications. Geomorphology, Volume 179, 15 December 2012, Pages 300–314. https://doi.org/10.1016/j.geomorph.2012.08.021
17. Agisoft LLC (2019). Agisoft Metashape User Manual: Professional Edition, Version 1.5. 2019, https://www.agisoft.com/downloads/user-manuals/
18. Adrian, R. J. (1991). Particle-Imaging Techniques for Experimental Fluid Mechanics. Annu. Rev. Fluid Mech. 23 (1991) 261–304.
19. Acevedo-Ávila, R., González-Mendoza, M., Garcia-Garcia, A. (2007). A Statistical Background Modeling Algorithm for Real-Time Pixel Classification. ISSN 2007-9737. Computación y Sistemas, Vol. 22, No. 3, 2018, 917–927. oldal, doi: 10.13053/CyS-22-3-2554
20. Unsworth, A. Ch. (2015). Particle Imaging Velocimetry. Geomorphological Techniques, Chap. 3, Sec. 3.4 (2015)
21. Detert, M., Weitbrecht, V. (2012). Automatic object detection to analyze the geometry of gravel grains - A free stand-alone tool. River Flow 2012 Conference – Murillo (Ed.).