Data for: An algorithm to reduce a river network or other graph-like polygon to a set of lines
Notice bibliographique
Résumé
This zip file includes all principal data (vector and raster) used in the figures of the paper: Schaefer, E. I., and Pelletier, J. D. (submitted), "An algorithm to reduce a river network or other graph-like polygon to a set of lines", Computers & Geosciences including both inputs to and outputs from the four skeletonization algorithms compared (Zhang and Suen, RivWidthCloud, DeepRiver, and the one presented), as well as some intermediate products. The (Python 2) code implementation of the skeletonization algorithm presented in that paper is also included, along with a manual. In short, the contents, by directory, are: numgeo_code: numgeo 0.0.2a0, the code described in the paper numgeo_sample_data: data used in figures and analysis in the paper numgeo_sample_data/constant_width_binary_tree_rasters: rater data used in Experiment #1 of the paper numgeo_sample_data/constant_width_binary_tree_shapefiles: vector data used in Experiment #1 of the paper numgeo_sample_data/noisy_binary_tree_rasters: rater data used in Experiment #3 of the paper numgeo_sample_data/noisy_binary_tree_shapefiles: vector data used in Experiment #3 of the paper numgeo_sample_data/simple_shapefiles: vector data used in illustrative examples numgeo_sample_data/variable_width_binary_tree_rasters: rater data used in Experiment #2 of the paper numgeo_sample_data/variable_width_binary_tree_shapefiles: vector data used in Experiment #2 of the paper numgeo_sample_data/yukon_rasters: rater data used in Experiment #4 of the paper numgeo_sample_data/yukon_shapefiles: vector data used in Experiment #4 of the paper
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,171 | 0,085 |
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 source (Gemma direct ou Codex distillé), 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 ».