MétaCan
Menu
Retour à la cohorte
Enregistrement W3114925681 · doi:10.2312/stag.20201243

Smart Modelling of Geologic Stratigraphy Concepts using Sketches

2020· article· en· W3114925681 sur OpenAlexaff
Mário Costa Sousa, Julio Daniel Machado Silva, Clarissa Coda Marques Machado Silva, Felipe Carvalho, Sicilia Ferreira Judice, Fazilatur Rahman, Carl Jacquemyn, Margaret E. H. Pataki, Gary J. Hampson, Matthew D. Jackson, Dmytro Petrovskyy, S. Geiger

Notice bibliographique

RevueSpiral (Imperial College London) · 2020
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeological Modeling and Analysis
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésStratigraphyGeologyComputer sciencePaleontology

Résumé

récupéré en direct d'OpenAlex

Several applications of Earth Science require geologically valid interpretation and visualization of complex physical structures in data-poor subsurface environments. Hand-drawn sketches and illustrations are standard practices used by domain experts for conceptualizing their observations and interpretations. These conceptual geo-sketches provide rich visual references for exploring uncertainties and helping users formulate ideas, suggest possible solutions, and make critical decisions affecting the various stages in geoscience studies and modelling workflows. In this paper, we present a sketch-based interfaces and modelling (SBIM) approach for the rapid conceptual construction of stratigraphic surfaces, which are common to most geologic modelling scales, studies, and workflows. Our SBIM approach mirrors the way domain users produce geo-sketches and uses them to construct 3D geologic models, enforcing algorithmic rules to ensure geologically-sound stratigraphic relationships are generated, and supporting different scales of geology being observed and interpreted. Results are presented for two case studies demonstrating the flexibility and broad applicability of our rule-based SBIM approach for conceptual stratigraphy.

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)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0050,003
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,068
Tête enseignante GPT0,242
Écart entre enseignants0,174 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSpiral (Imperial College London)Même sujetGeological Modeling and AnalysisTravaux en français237 207