Drones and Geography: Who Is Using Them and Why?
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
Drones have equipped geographers with the capacity to collect high-quality geospatial data at multiple spatial, spectral, and temporal resolutions. Although the adoption of drones is increasing across geography, knowledge of those using this technology and their practices is limited. The purpose of this article is to understand who is using drones in geography, how they are using them, and what future opportunities exist. We collected data from eighty-eight survey respondents, predominantly based in the United States but a handful from Australia, Canada, the European Union, and the United Kingdom. The findings from our Web-based survey show that about 85 percent of geographers using drones are White. Female respondents made up only about 30 percent of respondents, although they represented about 75 percent of the eighteen to twenty-four age group. Although the word drone has a negative connotation, most users (∼38 percent) prefer it, followed by unmanned aerial vehicle (∼21 percent) and unmanned aerial systems (∼19 percent). Only 22 percent of geographers have more than six years of drone experience, suggesting the rapid growth in use and popularity among geographers. Off-the-shelf drones are the most desirable, perhaps due to their low cost and ease of use. Overall, drones in geography are considered positive and have introduced a new era of small extent geospatial analyses.
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 | 0,001 | 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) | 0,000 | 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