Rock Slopes Asset Management: Selecting the Optimal Three-Dimensional Remote Sensing Technology
Notice bibliographique
Résumé
Transportation corridors are classified as critical infrastructure in the United States and Canada. Successfully maintaining these corridors in safe, operational condition requires strategies that address individual hazard classes and manage associated risks. Natural and constructed slopes along transportation corridors represent one such category of hazard; typical risk management strategies involve quantitative measurements and qualitative evaluations of their present condition and the hazards that they pose to infrastructure, people, and shipments along the route. At some sites, traditional field-based observations are supplemented by high-resolution remotely acquired three-dimensional (3-D) imaging data of the ground surface, generated from various sensors and platforms, including terrestrial lidar and photogrammetry, airborne lidar, and oblique aerial photogrammetry. The collection, processing, and implementation of 3-D data collection and analysis into a slope management system are complex and frequently result in poorly collected, poorly understood, and underused data. Furthermore, the intricacies of the applications and limitations of different technologies generally are well understood only by specialists. As a result, the industry is reluctant to implement these technologies in active slope management systems. Practical procedures for remote data collection are illustrated, and the applications and limitations of the previously mentioned technologies are explained. The current capabilities of these technologies are presented; because the field is advancing rapidly, innovation and development soon will enhance the applicability of these technologies.
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.
Comment cette classification a été obtenuedéplier
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».