The use of Gaming and Geodata Visualisation in Preparation for High Arctic Research Fieldwork
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
Fieldwork is essential in many scientific disciplines, providing critical data for validating simulations and ground truthing. However, fieldwork is often costly, logistically challenging, and may require travel to remote or hazardous locations, necessitating thorough preparation and safety measures. Training in fieldwork skills begins at the university level, but proficiency is gained through experience over time. The University Centre in Svalbard emphasises Arctic fieldwork, integrating classroom instruction with on-site training. To enhance student preparation, we developed games and visualisation tools to help anticipate and manage fieldwork challenges. This article showcases several video games and outlines a guide for creating a video game using various data sources — satellite and aerial imagery, point clouds from remotely piloted aircraft systems (RPAS) — to explore Svalbard’s landscape. This versatile approach can be adapted to other regions or applications. Geographic Information Systems (GIS) are used to create thematic games, and we demonstrate visualisation techniques for teaching, publications, and outreach, including Virtual Reality (VR). Additionally, we explain how handheld LiDAR can scan and incorporate small local areas into the games, and how Micro-CT data can be used to explore microscale environments, such as a virtual flight through a snowpack. All methods use open-source products, or products with a limited, but free licence.
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 | 0,002 | 0,002 |
| 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