MétaCan
Menu
Retour à la cohorte
Enregistrement W2350501246

Inspirations from the Sino-U.S. cooperative geological mapping in the East Kunlun orogenic belt: ideas and methods

2009· article· en· W2350501246 sur OpenAlexaboutno aff
J H Patrick

Notice bibliographique

RevueDizhi tongbao · 2009
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueRemote Sensing and Land Use
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBedrockGeologyGeologic mapEarth scienceField (mathematics)WeatheringSnowRemote sensingGeophysicsGeomorphology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

On the basis of the practice of the Sino-U.S. cooperative in the East Kunlun Orogenic Belt and through the comparative analysis of several examples completed recently by USGS, we have a further knowledge of the method and idea of America mapping. Although the application of geophysics and 3S technology in is in continuous development, the fundamental method and idea of America and the style of reports remain the same ever since the establishment of USGS. The concept of mapping all lithological unites hasn′t changed within a difficult course of 130 years along with USGS′s evolution. The method of geological features guiding trails has been always been followed in America historty. Whereas, high accuracy geophysical method commonly applied in thick-bed weathering crusts of Australia and ice-snow covering areas of Canada is not used in the of orogenic belts, but the remote-sensing technique provides an important support for the of bedrock areas of orogenic belts.The key of high efficiency of America bedrock areas can not be interpreted by using advanced geophysical and remote-sensing techniques. In fact, utilization of existing results, standardized work mode, rational aiming of field and scientific research, the concise report, and the GIS application are quite detrimental.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0050,006
Études des sciences et des technologies0,0020,004
Communication savante0,0030,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,280
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDizhi tongbaoMême sujetRemote Sensing and Land UseTravaux en français237 207