Pedro Zamboni
© Sven Ellger/TUD
Wiss. Mitarbeiter
NameDr. Pedro Alberto Pereira Zamboni
Eine verschlüsselte E-Mail über das SecureMail-Portal versenden (nur für TUD-externe Personen).
Akademische Laufbahn
- PhD in Wasserressourcen und Siedlungshygiene - 2024
„Verbesserung der hydrologischen Überwachung durch Deep Learning und Photogrammetrie“ [Engl.: “Enhancing hydrological monitoring through deep learning and photogrammetry”]
- MSc. in Wasserressourcen und Siedlungshygiene - 2019
„Auswirkungen von Landbedeckungs- und Landnutzungsänderungen sowie Klimaveränderungen auf die Bodenerosion in einem tropischen Becken“ [Engl.: “Impacts of land cover and land use changes and climate changes on soil erosion in tropical basin”]
- B.A. in Umwelttechnik - 2017
Forschungsgebiete: maschinelles Lernen und Deep Learning für Umweltstudien, Punktwolkenverarbeitung und Klassifizierung, Hydrologie, Boden- und Wasserschutz, Bodenerosion und Fernerkundung.
Publikationen
2026
-
Low-cost stereo vision and deep learning for river water level measurement, 23 Juli 2026, ISPRS Congress 2026 “From Imagery to Understanding”, Commission II. Band 49. S. 321–326, 6 S.Elektronische (Volltext-)VersionPublikation: Beitrag in Buch/Konferenzbericht/Sammelband/Gutachten > Beitrag in Konferenzband
-
AI-Driven Photogrammetric Workflow for Low-Cost Wadi Monitoring, 5 Mai 2026Elektronische (Volltext-)VersionPublikation: Beitrag zu Konferenzen > Wissenschaftliche Vortragsfolien
2025
-
Measuring water ponding time, location and connectivity on soil surfaces using time-lapse images and deep learning, 30 Juni 2025, in: Catena. 254, 108919Elektronische (Volltext-)VersionPublikation: Beitrag in Fachzeitschrift > Forschungsartikel
-
Land use and land cover classification on high-resolution UAV images for heavy rainfall hazard maps using deep neural networks, 9 Juni 2025, in: Remote Sensing Applications: Society and Environment. 38, 28 S., 101609Elektronische (Volltext-)VersionPublikation: Beitrag in Fachzeitschrift > Forschungsartikel
-
Stereo photogrammetry for river water level and cross-section update: classical and deep learning approaches, 18 März 2025Elektronische (Volltext-)VersionPublikation: Beitrag zu Konferenzen > Abstract
-
Do we need to label large datasets for river water segmentation? Benchmark and stage estimation with minimum to non-labeled image time series, 2025, in: International journal of remote sensing. 46, 7, S. 2719-2747, 29 S.Elektronische (Volltext-)VersionPublikation: Beitrag in Fachzeitschrift > Forschungsartikel
2024
-
Synergistic image and point cloud processing of UAV data for urban flood modeling: point cloud smart thinning and curb mapping, 14 Dez. 2024, 8th International ISPRS Workshop LowCost 3D - Sensors, Algorithms, Applications, 12–13 December 2024, Brescia, Italy. 2/W8-2024 Aufl., Band 48. S. 483–490, 8 S.Elektronische (Volltext-)VersionPublikation: Beitrag in Buch/Konferenzbericht/Sammelband/Gutachten > Beitrag in Konferenzband
-
Assessment of climate change impacts on Brazilian catchments using a regional deep learning approach, April 2024Elektronische (Volltext-)VersionPublikation: Beitrag zu Konferenzen > Abstract
-
Water ponding timing, spatial distribution, and connectivity on soil surfaces measured by time-lapse imagery processed with deep learning, April 2024Elektronische (Volltext-)VersionPublikation: Beitrag zu Konferenzen > Abstract