Arctic circumpolar permafrost region building footprints from <1 meter resolution Maxar satellite imagery and OpenStreetMap Version 2 (2018-2023)
Notice bibliographique
Résumé
This product is a geospatial vector layer containing two-dimensional footprints of buildings (i.e., spatial extent covered by an individual building on the ground) across the Arctic circumpolar permafrost region. The data is based on building footprints from OpenStreetMap (OSM) contributions within Arctic regions, then built upon by filling in missing areas with building footprints detected from less than 1-meter spatial resolution, summertime, cloud-free Maxar satellite imagery of Arctic circumpolar permafrost communities. The dataset was produced using the HABITAT (High-resolution Arctic Built Infrastructure and Terrain Analysis Tool) deep learning framework, which consists of a convolutional neural network (CNN) segmentation model and a GraphCNN classification model, as well as post-processing and quality control (vectorization, smoothing, false positive + small footprint removal). Building heights and number of stories are estimated based on the ArcticDEM circumpolar digital surface model. Building footprints are provided in the North Pole Lambert Azimuthal Equal Area projection. The provided data spans 32 first-level administrative regions (the largest subnational administrative unit within a country) spanning the Arctic: Alaska (US), Yukon, Northwest Territories, Nunavut, Newfoundland and Labrador, Northern Quebec (Canada), all Greenland regions, all Iceland regions, Nordland, Troms, Finnmark, Svalbard (Norway), Norbotten (Sweden), Lappi (Finland), Komi, Arkhangelsk, Nenets, Khanty-Mansi, Yamalo-Nenets, Krasnoyarsk Krai, Sakha Republic, Kamchatka, Magadan, and Chukotka (Russia).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,007 |
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 ».