The rapid and accurate extraction of water information from satellite imagery has been a crucial topic in remote sensing applications and has important value in water resources management, water environment monitoring, and disaster emergency management. Although the OLI-2 sensor onboard Landsat-9 is similar to the well-known OLI onboard Landsat-8, there were significant differences in the average absolute percentage change in the bands for water detection. Additionally, the performance of Landsat-9 in water body extraction is yet to be fully understood. Therefore, it is crucial to conduct comparative studies to evaluate the water extraction performance of Landsat-9 with Landsat-8. In this study, we analyze the performance of simultaneous Landsat-8 and Landsat-9 data for water body extraction based on eight common water indices (Normalized Difference Water Index (NDWI) and Modified Normalized Difference Water Index (MNDWI), Augmented Normalized Difference Water Index (ANDWI), Water Index 2015 (WI2015), tasseled cap wetness index (TCW), Automated Water Extraction Index for scenes with shadows (AWEIsh) and without shadows (AWEInsh) and Multi-Band Water Index (MBWI)) to extract water bodies in seven study sites worldwide. The Otsu algorithm is utilized to automatically determine the optimal segmentation threshold for water body extraction. The results showed that (1) Landsat-9 satellite data can be used for water body extraction effectively, with results consistent with those from Landsat-8. The eight selected water indices in this study are applicable to both Landsat-8 and Landsat-9 satellites. (2) The NDWI index shows a larger variability in accuracy compared to other indices when used on Landsat-8 and Landsat-9 imagery. Therefore, additional caution should be exercised when using the NDWI for water body analysis with both Landsat-8 and Landsat-9 satellites simultaneously. (3) For Landsat-8 and Landsat-9 imagery, ratio-based water indices tend to have more omission errors, while difference-based indices are more prone to commission errors. Overall, ratio-based indices exhibit greater variability in overall accuracy, whereas difference-based indices demonstrate lower sensitivity to variations in the study area, showing smaller overall accuracy fluctuations and higher robustness. This study can provide necessary references for the selection of water indices based on the newest Landsat-9 data. The results are crucial for guiding the combined use of Landsat-8 and Landsat-9 for global surface water mapping and understanding its long-term changes.

Pile load tests have been utilized to reduce the uncertainty of pile resistance, thus leading to a higher resistance factor used in the Load and Resistance Factor Design (LRFD). Previous studies have primarily focused on calibrating resistance factors for single piles based on load tests. This calibration hinges upon the resistance bias factor of single piles, defined as the ratio of measured resistance to predicted resistance. Due to the redundancy in the pile group system, it is conventionally assumed that if the individual piles within the group achieve a lower reliability index (e.g., 2.0–2.5), the pile group as a whole attains the target reliability index of 3. However, the approach is empirical as it does not consider system redundancy directly. Moreover, this empirical approach disregards the correlation between resistance bias factors of individual piles, which is inherently influenced by the spatial variability of soils. In this study, the random finite difference method (RFDM) is employed to evaluate the correlation between resistance bias factors of individual piles in spatially variable soils. The resultant correlation matrix is subsequentially employed in Bayes' theorem to update resistance bias factors using individual pile load test results and their corresponding test locations. The updated resistance bias factors are then used for the direct calibration of resistance factors for pile groups within the framework of LRFD. A pile group subject to vertical loading in undrained clays is adopted for illustration. Comparative analyses between the proposed approach and the empirical approach demonstrate that the latter tends to overestimate the resistance factor. Furthermore, the proposed approach enables the determination of optimal locations for conducting subsequent load tests based on previous test results.

In low-altitude, GNSS-denied scenarios, Unmanned aerial vehicles (UAVs) rely on sensor fusion for self-localization. This article presents a resilient multi-sensor fusion localization system that integrates light detection and ranging (LiDAR), cameras, and inertial measurement units (IMUs) to achieve state estimation for UAVs. To address challenging environments, especially unstructured ones, IMU predictions are used to compensate for pose estimation in the visual and LiDAR components. Specifically, the accuracy of IMU predictions is enhanced by increasing the correction frequency of IMU bias through data integration from the LiDAR and visual modules. To reduce the impact of random errors and measurement noise in LiDAR points on visual depth measurement, cross-validation of visual feature depth is performed using reprojection error to eliminate outliers. Additionally, a structure monitor is introduced to switch operation modes in hybrid point cloud registration, ensuring accurate state estimation in both structured and unstructured environments. In unstructured scenes, a geometric primitive capable of representing irregular planes is employed for point-to-surface registration, along with a novel pose-solving method to estimate the UAV’s pose. Both private and public datasets collected by UAVs validate the proposed system, proving that it outperforms state-of-the-art algorithms by at least 12.6%.