Applicability of a Gradient Profile Algorithm for Road Network Extraction - Sensor, Resolution and Background Considerations
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
Dans cet article, on évalue le potentiel des photographies aériennes à haute résolution et des images panchromatiques à résolution moyenne de SPOT et de Landsat TM pour la détection des réseaux routiers dans différents environnements tels que les régions rurales agricoles et forestières, les centres-villes et les zones résidentielles. L'algorithme d'analyse de profil GDPA (Gradient Direction Profile Analysis) est utilisé pour tester l'efficacité de la détection des routes et les résultats sont comparés. Dans les zones rurales et forestières, les réseaux de routes détectés à partir de toutes les sources de données sont relativement bons et comparables parce que les routes constituent des formes distinctives dans ces images. En zone urbaine, tous les résultats obtenus dans les centres-villes sont faibles dû à la nature complexe des scènes. Dans les zones résidentielles, les résultats sont plus diversifiés en fonction des sources de données qui proposent des résolutions différentes. Parmi les trois types de données utilisés pour les zones urbaines résidentielles, les photographies aériennes numérisées ont donné la meilleure carte du réseau routier. L'image SPOT a produit des résultats adéquats, avec une performance meilleure dans les zones de développement routier récent. L'image Landsat TM donne des résultats faibles. Nos expériences montrent que l'efficacité et le degré de difficulté de l'extraction des formes linéaires à partir d'images de télédétection dépendent grandement de la nature des données, et en particulier, de la résolution spatiale et de l'environnement local.
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 | 0,000 | 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 découle