Detecting Buried Human Bodies Using Ground-Penetrating Radar
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
Being located at the dense tectonic activity area, Indonesia has to cope with the constant risk of earthquakes. High frequency of earthquakes occurrence causes the crust instability and leads into another natural disaster such as landslides. Sometimes, the landslide avalanches are covering the high populated area destroying buildings and causing victims. Unfortunately, the treatment for the affected building and landslide victims searching are still using conventional methods. The purpose of this study is to detect buried human bodies using GPR method, so it can increase the effectiveness and the efficiency of disaster victims searching under the landslide avalanche. Ground-penetrating radar (GPR) is one of the geophysical methods that can be used to study shallow subsurface of the earth. GPR has been successfully used to locate grave and forensic evidence. However, more controlled research is needed to improve the effectiveness and efficiency of disaster victim detection that buried under landslides or earthquake avalanche. A detailed GPR survey was conducted in the Cikutra graveyard, Bandung, with corpses buried one week until two months before the survey. The radar profiles from this survey showed the clear amplitude contrast anomalies, emanated from the corpses. The strongest amplitude contrasts are observed at most recent grave compared to the older grave. We obtained the amplitude contrast at around 1.2 meters depth which is consistent with the depth of the buried corpses. In addition, the results of forward modeling of homogenous subsurface and corpses in subsurface will be presented.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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