Precisión medida, y contra qué se midió.

Precisión medida contra referencias que la plataforma no produjo: mediana de 1,7 cm en 46 puntos de chequeo del benchmark público EuroSDR, terreno contra modelos nacionales, clasificación contra nubes revisadas a mano.

Medido 2026-09-29 – 2026-10-04.

Posición de los resultados de fotogrametría

Blancos medidos en terreno que el procesamiento nunca vio, localizados en las fotos y triangulados desde las propias cámaras del procesamiento. Horizontal y vertical se dan por separado; RMSE es el error cuadrático medio sobre los blancos.

  • Cámara de levantamiento con 8 puntos de apoyo: Mediana 1,7 cm horizontal · 1,6 cm vertical. RMSE 12,5 · 13,8 cm: 5,3 · 4,9 cm en los 39 blancos vistos en 10 o más fotos; los 7 del borde del bloque, vistos en menos, llegan a 0,6 m DJI Zenmuse P1 (35 mm) a 50 m, 1.024 fotos, 0,7 cm de muestreo en terreno; posiciones de las fotos por GPS corriente; 8 blancos como apoyo, 46 reservados como puntos de chequeo; resuelto desde las posiciones y ángulos registrados en las fotos, un modo que el compositor aún no ofrece Blancos medidos por la Universidad de Newcastle (benchmark RPAS de EuroSDR)
  • Dron RTK, sin control terrestre: 8,7 cm horizontal · alturas 0,64 m bajas Autel Evo II Pro RTK, 176 fotos a 50 m, solo nadir; 5 blancos como puntos de control Blancos medidos con GNSS RTK (1–2 cm)
  • Dron RTK con 3 puntos de apoyo: 10 cm horizontal · alturas 0,56 m bajas El mismo vuelo; 3 blancos como apoyo, los otros 2 reservados como puntos de control Blancos medidos con GNSS RTK (1–2 cm)
  • GPS de dron corriente, sin control: Forma dentro de 13 cm (mediana) · posición tan buena como el GPS del dron (0,54 m vertical aquí) 18 fotos; forma comparada tras quitar el desplazamiento del GPS La reconstrucción publicada del conjunto de datos

Modelos de terreno

Clasificación automática de suelo sobre LiDAR nacional sin ninguna clase, grillada en las mismas celdas del modelo de terreno nacional y comparada celda a celda.

  • Parque urbano plano (Ginebra): 0,24 m RMSE — lo mismo que los propios puntos de swisstopo entre sus dos años de levantamiento (0,235 m) LiDAR de swisstopo, 1,1 M de puntos swissALTI3D, 0,5 m
  • Bosque empinado y pueblo (Grindelwald): 95% de las celdas dentro de 9,4 cm; mediana 0,1 cm · encuentra el 82% del suelo en las pendientes más fuertes LiDAR de swisstopo, 10,2 M de puntos swissALTI3D, 0,5 m
  • Procesamiento LiDAR en la nube, completo: 0,29 m RMSE Ginebra, coloreado desde la ortofoto swissALTI3D, 0,5 m

Clasificación de puntos

Evaluada punto a punto. F1 combina cuántos puntos asignados a una clase realmente lo son y cuántos de esa clase se encontraron; 1,00 es perfecto.

  • Clasificador profundo (complemento): Suelo 0,94 · vegetación 0,94 · edificios 0,86 Estadio Autzen, 10,65 M de puntos Clasificación profesional revisada a mano
  • Clasificador estándar: Suelo 0,93 · vegetación 0,56 · edificios 0,22 Estadio Autzen, 10,65 M de puntos Clasificación profesional revisada a mano
  • Clasificador estándar, coloreado desde la ortofoto: Suelo 0,98 / 0,88 · vegetación 0,98 / 0,67 · edificios 0,55 / 0,70 Ginebra (plano) · Grindelwald (empinado) Las clases de swisstopo

Volúmenes y mediciones

Objetos de tamaño conocido con exactitud, medidos con las propias herramientas del visor de escritorio.

  • Volúmenes de acopios: 753,8 m³ vs 754,0 · 268,4 m³ vs 268,1 (dentro de 0,1%) Acopios sintéticos sobre suelo con ruido, espaciado irregular Volúmenes exactos de conos
  • Volumen en el tiempo: 452,5 → 754,4 → 1.022,1 m³ vs 452,4 → 754,0 → 1.022,1 El mismo acopio en tres levantamientos fechados Volúmenes exactos
  • La nube y el escritorio dan el mismo resultado: Las nubes de puntos coinciden en 4,2 cm (mediana) Las mismas 18 fotos procesadas en la nube y en un portátil Entre sí

Qué decide la precisión en su levantamiento

  • El control terrestre decide la precisión absoluta. Sin él y sin RTK, las posiciones son tan buenas como el GPS del dron —metros— aunque la forma sea correcta al centímetro.
  • Las fotos RTK se usan automáticamente con su propia precisión, DJI y Autel por igual. Sin ese paso, el mismo vuelo Autel midió 0,62 m en lugar de 8,7 cm.
  • Una grilla a una sola altura y solo nadir puede sesgar las alturas: el vuelo RTK de arriba salió unos 0,6 m bajo. Donde la altura importa, vuele en cuadrícula cruzada o agregue fotos oblicuas, y use control terrestre.
  • Donde no se midió nada —agua, sombra profunda, el borde del vuelo— los modelos de elevación se rellenan con su entorno, salvo que lo desactive.
  • La exactitud cae en el borde de un vuelo, donde un punto se ve en pocas fotos: en el benchmark de arriba, los blancos vistos en menos de 10 fotos fueron más de cinco veces peores que el resto. Vuele más allá del área que necesita y ponga puntos de apoyo cerca de sus bordes.
  • Puede medir su propio levantamiento del mismo modo: nombre CHK algunos puntos medidos en el archivo de puntos de apoyo y la ejecución informa el error en cada uno, en su página y en un PDF.
  • El LiDAR sin color clasifica mal la vegetación; coloréelo antes desde una ortofoto. Los edificios son la clase más débil del clasificador estándar.

Datos de referencia

  • Conjuntos de datos del benchmark RPAS de EuroSDR: J. P. Mills, M. V. Peppa, A. Alma'Amari, L. Davidson, J. Goodyear, N. T. Penna, 2023, doi:10.5281/zenodo.10059050, CC BY 4.0.
  • helenenschacht y Brighton Beach: conjuntos de datos de muestra de OpenDroneMap (ODMdata).
  • LiDAR de Ginebra y Grindelwald, swissALTI3D y SWISSIMAGE: © swisstopo.
  • Estadio Autzen: datos de muestra de PDAL, con una clasificación revisada a mano.

Más sobre Finitor Cloud

Measured accuracy, and what it was measured against.

Accuracy measured against references the platform did not produce: a median of 1.7 cm at 46 checkpoints of the public EuroSDR benchmark, terrain against national models, classification against hand-checked clouds.

Measured 2026-09-29 – 2026-10-04.

Position of photogrammetry results

Surveyed targets that the run never saw, found in the photos and triangulated from the run's own cameras. Horizontal and vertical are given separately; RMSE is the root-mean-square error over the targets.

  • Survey camera with 8 ground control points: Median 1.7 cm horizontal · 1.6 cm vertical. RMSE 12.5 · 13.8 cm: 5.3 · 4.9 cm over the 39 targets seen in 10 or more photos; the 7 at the edge of the block, seen in fewer, reach 0.6 m DJI Zenmuse P1 (35 mm) at 50 m, 1,024 photos, 0.7 cm ground sample; photo positions from plain GPS; 8 targets as control, 46 held back as checkpoints; solved from the photos' recorded positions and angles, a mode the composer does not offer yet Targets surveyed by Newcastle University (EuroSDR RPAS benchmark)
  • RTK drone, no ground control: 8.7 cm horizontal · heights 0.64 m low Autel Evo II Pro RTK, 176 photos at 50 m, nadir only; 5 targets as checkpoints Targets surveyed with GNSS RTK (1–2 cm)
  • RTK drone with 3 ground control points: 10 cm horizontal · heights 0.56 m low The same flight; 3 targets as control, the other 2 held back as checkpoints Targets surveyed with GNSS RTK (1–2 cm)
  • Consumer drone GPS, no control: Shape within 13 cm (median) · position as good as the drone's GPS (0.54 m vertical here) 18 photos; shape compared after removing the GPS offset The dataset's published reconstruction

Terrain models

Automatic ground classification on national LiDAR with every class removed, gridded on the national terrain model's own cells and compared cell by cell.

  • Flat urban park (Geneva): 0.24 m RMSE — the same as swisstopo's own points across its two survey years (0.235 m) swisstopo LiDAR, 1.1 M points swissALTI3D, 0.5 m
  • Steep forest and village (Grindelwald): 95% of cells within 9.4 cm; median 0.1 cm · finds 82% of the ground on the steepest slopes swisstopo LiDAR, 10.2 M points swissALTI3D, 0.5 m
  • Cloud LiDAR run, end to end: 0.29 m RMSE Geneva, coloured from the orthophoto swissALTI3D, 0.5 m

Point classification

Scored point by point. F1 combines how many points given a class truly are that class, and how many of that class were found; 1.00 is perfect.

  • Deep classifier (add-on): Ground 0.94 · vegetation 0.94 · buildings 0.86 Autzen stadium, 10.65 M points Hand-checked professional classification
  • Standard classifier: Ground 0.93 · vegetation 0.56 · buildings 0.22 Autzen stadium, 10.65 M points Hand-checked professional classification
  • Standard classifier, coloured from the orthophoto: Ground 0.98 / 0.88 · vegetation 0.98 / 0.67 · buildings 0.55 / 0.70 Geneva (flat) · Grindelwald (steep) swisstopo's own classes

Volumes and measurements

Objects whose size is known exactly, measured with the desktop viewer's own tools.

  • Stockpile volumes: 753.8 m³ vs 754.0 · 268.4 m³ vs 268.1 (within 0.1%) Synthetic piles on noisy ground, irregular point spacing Exact cone volumes
  • Volume over time: 452.5 → 754.4 → 1,022.1 m³ vs 452.4 → 754.0 → 1,022.1 The same pile over three dated surveys Exact volumes
  • Cloud and desktop give the same result: Point clouds agree to 4.2 cm (median) The same 18 photos processed in the cloud and on a laptop Each other

What decides accuracy on your survey

  • Ground control decides absolute accuracy. Without it and without RTK, positions are only as good as the drone's GPS — metres — even when the shape is right to centimetres.
  • RTK photos are used at their own accuracy automatically, DJI and Autel alike. Without that step, the same Autel flight measured 0.62 m instead of 8.7 cm.
  • A single-height, nadir-only grid can bias heights: the RTK flight above came out about 0.6 m low. Where height matters, fly a cross pattern or add oblique photos, and use ground control.
  • Where nothing was measured — water, deep shadow, the edge of the flight — elevation models are filled from the surroundings unless you turn that off.
  • Accuracy falls at the edge of a flight, where a point is seen in few photos: on the benchmark above, targets seen in fewer than 10 photos were more than five times worse than the rest. Fly past the area you need, and place control near its edges.
  • You can measure your own survey the same way: name some surveyed points CHK in the ground-control file and the run reports the error at each, on its page and as a PDF.
  • LiDAR without colour classifies vegetation poorly; colour it from an orthophoto first. Buildings are the weakest class for the standard classifier.

Reference data

  • EuroSDR RPAS benchmark datasets: J. P. Mills, M. V. Peppa, A. Alma'Amari, L. Davidson, J. Goodyear, N. T. Penna, 2023, doi:10.5281/zenodo.10059050, CC BY 4.0.
  • helenenschacht and Brighton Beach: OpenDroneMap sample datasets (ODMdata).
  • Geneva and Grindelwald LiDAR, swissALTI3D and SWISSIMAGE: © swisstopo.
  • Autzen Stadium: PDAL sample data, with a hand-checked classification.

More about Finitor Cloud