Application of drone‐captured thermal imagery in aiding in the recovery of meteorites within a snow‐covered strewn field
Notice bibliographique
Résumé
Abstract The rapid recovery of meteorites mitigates the exposure of astromaterials to the terrestrial environment and subsequent contamination. Modern fireball observatories have enabled the more accurate triangulation of fireball trajectories, which has aided in the location of strewn fields, in the case of meteorite‐producing events. Despite this advancement, most meteorite searches still use manual searching to locate any meteorite falls, which is often labor‐intensive and has a slow coverage rate (km 2 day −1 ). Recent work has begun exploring the application of drone technology to the recovery of meteorites; however, most of this work has focused on falls in arid environments. Our study examines the utilization of drones with thermal imaging technology to aid in the recovery of meteorites that have fallen on a snow‐covered field. We created a simulated strewn field that included meteorite specimens as well as Earth rocks with similar properties (“meteowrongs”). Thermal imagery was utilized to determine whether the thermal contrast between meteorites and snow could aid in the identification of meteorites. We found that the thermal contrast was significant enough that meteorites were readily identifiable within thermal images; however, it was not significant enough to distinguish between the meteorites and the meteowrongs. The utilization of thermal imagery in conjunction with visible imagery has the potential to aid in the rapid recovery of meteorites in snow‐covered landscapes.
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 | 0,000 | 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 ».