Notice bibliographique
Résumé
In recent decades, Remote sensing data becomes one of the basic information for generating of base maps and different applications in geomatics.In fact, it is providing very useful for a board range of environmental applications such as surveying, agriculture, geography, meteorology, hydrology, transportation, urban planning, control analysis, landscape planning and etc. Especially in order to generation base maps, the Satellites data has a great role and it is now widely applied on collecting and processing data.For reach to this purpose, we had been used Indian satellite imageries such as the IRS-P5 and the IRS-P6 satellite data which have been belonged to Indian Space Research Organization (ISRO).The P5 (Cartosat-I) satellite was launched on May 5, 2005 into circular sun synchronous orbit which it is equipped with two panchromatic cameras capable of simultaneous acquiring images of 2.5 meters spatial resolution.Also the IRS-P6 (Resourcesat-I) was launched on October 17, 2003 which has three sensor includes LISS III, LISS IV and AWIFS.The LISS IV sensor of this satellite has the spatial resolution 5.8 m with enhanced spectral resolution.It consists of three spectral bands in the green, red and near infrared regions of the electromagnetic spectrum.In this investigation we had been developed a method for generating of base maps in middle scale, such as 1:15000 ratio scale and an attempt has been made to evaluate the information content available with merging data consist of the IRS-P5 and MX mode image from IRS-P6 satellite imageries.The results have shown its capability in solving of generation base maps with IRS satellite data and we found that merging these data is very suitable for identification all of the features in the base maps in different categories.
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 | 0,000 | 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 | 0,000 | 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) | 0,999 | 0,995 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».