Gradient magnetometer dataset and MATLAB numerical code for simulating buried firearms at a controlled field site
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
Magnetic survey using multiple magnetometers to obtain gradiometric data can be used as a non-destructive method to search for buried firearms. We present magnetic dataset collected above a set of weapons buried at 0.6 m, 1.2 m, and 1.8 m depths. We provide three datafiles: two datafiles were collected on a coarse grid (1 m by 0.5 m) before and after burial of the weapons, and a third one collected on a fine grid (0.25 m by 0.1 m) after the burial of the weapons which concentrates on the area of buried firearms. We used a Gem Systems GSM-19GW Overhauser gradiometer consisting of two sensors with a relative vertical separation of 55 cm. Data acquisition was done via non-automated point measurements within a gridded measurement domain with data collection locations managed using measurement tape. Each field campaign resulted in about 3,000 data points. In addition, we developed a set of MATLAB scripts to model the magnetic anomalies (total field and gradient) for buried firearms, this set is also included here. The data and modeling scripts relate to a research article published in Forensic Science International (Deng et al., Suitability of magnetometry to detect clandestine buried firearms from a controlled field site and numerical modeling [1]). The dataset may be helpful for testing new algorithms for weapons detection while the numerical codes can be modified and applied for simulating magnetic anomalies resulting from similar buried objects with potential application in the sub-disciplines of forensic and archaeological geophysics.
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