Detecting grave sites from surface anomalies: A longitudinal study in an Australian woodland
Notice bibliographique
Résumé
Forensic investigations of single and mass graves often use surface anomalies, including changes to soil and vegetation conditions, to identify potential grave locations. Though numerous resources describe surface anomalies in grave detection, few studies formally investigate the rate at which the surface anomalies return to a natural state; hence, the period the grave is detectable to observers. Understanding these processes can provide guidance as to when ground searches will be an effective strategy for locating graves. We studied three experimental graves and control plots in woodland at the Australian Facility for Taphonomic Experimental Research (Sydney, Australia) to monitor the rate at which surface anomalies change following disturbance. After three years, vegetation cover on all grave sites and control plots had steadily increased but remained substantially less than undisturbed surroundings. Soil anomalies (depressions and cracking) were more pronounced at larger grave sites versus the smaller grave and controls, with leaf litterfall rendering smaller graves difficult to detect beyond 20 months. Similar results were observed in two concurrent burial studies, except where accelerated revegetation appeared to be influenced by mummified remains. Extreme weather events such as heatwaves and heavy rainfall may prolong the detection window for grave sites by hindering vegetation establishment. Observation of grave-indicator vegetation, which exhibited abnormally strong growth 10 months after commencement, suggests that different surface anomalies may have different detection windows. Our findings are environment-specific, but the concepts are applicable globally.
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 | 0,000 | 0,009 |
| 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 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 ».