The Coastal Imaging Research Network (CIRN)
Notice bibliographique
Résumé
The Coastal Imaging Research Network (CIRN) is an international group of researchers who exploit signatures of phenomena in imagery of coastal, estuarine, and riverine environments. CIRN participants develop and implement new coastal imaging methodologies. The research objective of the group is to use imagery to gain a better fundamental understanding of the processes shaping those environments. Coastal imaging data may also be used to derive inputs for model boundary and initial conditions through assimilation, to validate models, and to make management decisions. CIRN was officially formed in 2016 to provide an integrative, multi-institutional group to collaborate on remotely sensed data techniques. As of 2021, the network is a collaboration between researchers from approximately 16 countries and includes investigators from universities, government laboratories and agencies, non-profits, and private companies. CIRN has a strong emphasis on education, exemplified by hosting annual “boot camps” to teach photogrammetry fundamentals and toolboxes from the CIRN code repository, as well as hosting an annual meeting for its members to present coastal imaging research. In this review article, we provide context for the development of CIRN as well as describe the goals and accomplishments of the CIRN community. We highlight components of CIRN’s resources for researchers worldwide including an open-source GitHub repository and coding boot camps. Finally, we provide CIRN’s perspective on the future of coastal imaging.
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 | 0,002 | 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 | 0,003 | 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 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 ».