Predicting the Future by Mapping the Past: Revolutionary Innovations in Lidar Change Detection Analysis are Enabling Regional Scale Mapping and Identification of Threats From Geohazards
Notice bibliographique
Résumé
Abstract Managing pipeline integrity with respect to natural threats requires geoprofessionals to consider how the earth may behave into the future. Predicting morphological change involves a deep understanding of geology, geological processes, climate change, and knowledge of physical changes that have happened in the past or may occur in the future. One of the most capable techniques for mapping changing terrain through time across spatially extensive regions is lidar change detection (LCD) with airborne lidar scanning (ALS) data. LCD has typically been performed on a site-specific basis at known geohazard locations. However, with recent developments in data acquisition and processing, LCD is now a cost-effective tool that can be used on a systemwide scale to aid in the identification of potential geologic hazards and monitor known geohazard sites for active ground displacements that may be impactful to pipeline infrastructure. It enables monitoring of hazards directly impacting the right of way, as well as peripheral hazards that could encroach on the right of way. This proactive method of identifying and monitoring geohazards significantly enhances the ability of pipeline operators to make informed decisions and design resilient infrastructure. The work presented demonstrates how over 40,000 linear kilometers of LCD analysis was executed and integrated with a geohazard management program to support proactive decision-making across the eastern US.
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 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».