CLustre: semi-automated lineament clustering for palaeo-glacial reconstruction
Notice bibliographique
Résumé
Datasets containing large numbers (>10,000) of glacial lineaments are increasingly being mapped from remotely sensed data in order to develop a palaeo-glacial reconstruction or ”inversion”. The palimpsest landscape presents a complex record of past ice flow and deconstructing this information into a logical history is an involved task. One stage in this process requires the identification of sets of genetically linked lineaments that can form the basis of a reconstruction. \n \nThis paper presents a semi-automated algorithm, CLustre, for lineament clustering that uses a locally adaptive, region growing, methodology. After outlining the algorithm, it is tested on synthetic datasets that simulate parallel and orthogonal cross-cutting lineaments, encompassing 1,500 separate classifications. Results show robust classification in most scenarios, although parallel overlap of lineaments can cause false positive classification unless there are differences in lineament length. Case studies for Dubawnt Lake and Victoria Island, Canada, are presented and compared to existing datasets. For Dubawnt Lake 9 out of 14 classifications directly match incorporating 89% of lineaments. For Victoria Island 57 out of 58 classifications directly match incorporating 95% of lineaments. Differences are related to small numbers of unclassified lineaments and parallel cross-cutting lineaments that are of a similar length. \nCLustre enables the automated, repeatable, assignment of lineaments to flow sets using defined user criteria. This is important as qualitative visual interpretation may introduce bias, potentially weakening the testability of palaeo-glacial reconstructions. In addition, once classified, summary statistics of lineament clusters can be calculated and subsequently used during the reconstruction process.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,001 | 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 ».