Mobile Technologies for Geographic Response Plans (V2.0)
Notice bibliographique
Résumé
Companies in the oil & gas industry must undertake extensive environmental studies for every new project. The case of the Trans Canada East Energy pipeline project illustrates this phenomenon. These studies include large-scale field surveys campaigns that generate a huge amount of raw geospatial data. A key component of this process resides in the analysis of this data in order to create knowledge. In this perspective, while many mobile geospatial collectors are available, we focused on designing a complete mobile GIS. Most field experts are not data management specialists and vice versa. Our goal is to use mobile technology to reduce the gap between field observations and geospatial data analysis. Bringing data analysis capabilities directly in the field is advantageous because it provides useful insights in real-time and it can avoid costly mistakes. We have also focused on enhancing the planning phase prior to the field surveys, such as allowing importation of external data into our system. We encountered many challenges while developing our mobile geospatial solution for geographic response plans. One critical element was the mean of transportation used during the surveys. For instance, airborne surveys using a helicopter requires specific navigational features to be accurate. Another element was the availability of internet connections. We had to permit offline map layer in order to provide high quality satellite imagery. Finally, power efficiency is critical for long field surveys. We had to optimize our mobile application in order to maximize the battery's lifespan while retaining enough features such as the GPS precision. Overall, the challenge was to design a system that would permit monitoring that could take place years after the initial data collection. This affected the way we had to implement data sharing, storage and export.
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 | 0,001 | 0,002 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».