Data Structures for 2D Representation of Terrain Models
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
This entry gives an overview of the main data structures and approaches used for a two-dimensional representation of the terrain surface using a digital elevation model (DEM). A DEM represents the elevation of the earth surface from a set of points. It is used for terrain analysis, visualisation and interpretation. DEMs are most commonly defined as a grid where an elevation is assigned to each grid cell. Due to its simplicity, the square grid structure is the most common DEM structure. However, it is less adaptive and shows limitations for more complex processing and reasoning. Hence, the triangulated irregular network is a more adaptive structure and explicitly stores the relationships between the points. Other topological structures (contour graphs, contour trees) have been developed to study terrain morphology. Topological relationships are captured in another structure, the surface network (SN), composed of critical points (peaks, pits, saddles) and critical lines (thalweg, ridge lines). The SN can be computed using either a TIN or a grid. The Morse Theory provides a mathematical approach to studying the topology of surfaces, which is applied to the SN. It has been used for terrain simplification, multi-resolution modelling, terrain segmentation and landform identification. The extended surface network (ESN) extends the classical SN by integrating both the surface and the drainage networks. The ESN can itself be extended for the cognitive representation of the terrain based on saliences (typical points, lines and regions) and skeleton lines (linking critical points), while capturing the context of the appearance of landforms using topo-contexts.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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