Creating And Correcting A Digital Terrain Elevation Model Using Radar Altimetry And Gps Data Acquired From Aeromagnetic Surveys
Notice bibliographique
Résumé
Acquisition of any airborne geophysical data set involves two parameters: measurement of the<br>actual signal being sought (magnetism, resistivity, density), and definition of the position where each<br>data observation is acquired. GPS provides accurate estimates of the location of the sensor position<br>relative to a defined ellipsoid. If at the same time one measures the distance from the observation<br>platform to the surface of the Earth, using a radar altimeter, it is then possible to obtain an estimate of<br>the elevation of the Earth’s surface at that point. By generating a grid image of the individual spot<br>elevation data it is possible to produce a digital terrain elevation model (DTEM) of the survey area.<br>Most aeromagnetic surveys comprise a series of flight lines and orthogonal tie-lines. With ideal data a<br>second pass over the same location (either on the tie-line versus the flight-line, or even on a subsequent<br>survey) should give the same elevation. However, attributes of the source data and characteristics of the<br>terrain being modeled can significantly affect the accuracy of results. Comparing elevation data<br>generated from two aeromagnetic surveys of the same area in Southern Alberta shows it is necessary to<br>apply a series of corrections to elevation data just as one might with aeromagnetic data.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».