Classification of Indian Seaports Using Hierarchical Grouping Method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
India is a major maritime nation with a long coastline, spanning about 7516.6 kilometers, constituting 200 ports in east coast and west coast. East coast and the west coast have 54 and 146 seaports, respectively. Indian ports are classified as Major, Intermediate and, Minor ports; this classification has an administrative significance. Nevertheless, the words: major, intermediate, and minor do not have any relation with the cargo volume throughput. This paper suggests a new approach based on temporal cargo variation to classify a port system. The reason to classify port system based on temporal cargo flow is mainly due to its relevance for cargo operation service, making decisions on freight rate, and service quality performance benchmarking. The key issue faced while attempting for evaluating these measures over a large number of ports is the trouble in comparable data collection from all the port locations and defining the criteria for such evaluations, which will be applicable to all ports. Also, individual port evaluation may not be easy while considering a region’s port system with heterogeneous number of ports. However, this problem can be cut down by classifying ports into certain homogeneous groups. The proposed classification scheme is applied to classify Indian port system. Due to unavailability of data, the application of the proposed method is restricted to 12 Indian ports only. Based on the analysis we propose to classify the 12 Indian seaports into four groups. This classification scheme can be applied to any port system elsewhere.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle