Optical Flow: A Multifaceted Approach for Analyzing and Observing Mass Movements Through Optical and Radar Images
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
Abstract Landslides are triggered by various factors, including seismic activity, climate-related events, and gravitational forces. These events pose significant risks to life, property, and the environment, necessitating effective monitoring and quantification for mitigation and prevention. Traditional monitoring methods like in-situ sensors face limitations in cost, scalability, and real-time data processing. In the realm of landslide and hazard mitigation, time is of the essence because the quicker data is processed, the sooner policymakers and emergency responders can act to protect lives and safeguard economic infrastructure. The urgency and the critical role of rapid, real-time data processing have inspired us to expand and further develop a novel open-source package called AkhDefo (Akh: Land in Kurdish language and Defo: Deformation in English Language) ( https://pypi.org/project/akhdefo-functions/ ). This study introduces new features to AkhDefo, transforming it from an open-source code into a standalone geospatial python library. These enhancements include optical flow algorithms for measuring displacement using satellite radar backscatter, optical images, and real-time live stream camera data from ground-based sources. The satellite radar and optical images were processed to derive volume estimates and study kinematic behavior in the May 2017 Mud Creek landslide in California, USA, and the Morenny rock-glacier in the Tien Shan Mountains, Kazakhstan between 2017 to 2023. In addition, live-stream webcam data were used to investigate a rockfall event on the September 20, 2021, at Stawamus Chief in Squamish, British Columbia, Canada, and from this, developed a state-of-the-art rock-fall detection system.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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