Desenvolvimento de um método de monitoramento de deslizamento de terra alternativo de baixo custo usando dados da Rede GNSS TUSAGA-Aktif
Bibliographic record
Abstract
Resumo:Os principais objetivos deste trabalho são desenvolver um modelo cinemático análise de deformação para deslizamentos utilizando procedimentos de filtragem de Kalman; e utilizar as observações de TUSAGA-Aktif Rede GNSS na Turquia para determinar os campos de velocidade de uma área de estudo deslizamento de terra na região do Mar Negro oriental da Turquia. Trinta e cinco foram estabelecidos (35) pontos para a determinação de 3-D em tempo velocidades dependentes da área de estudo deslizamentos de terra. Deslocamentos e velocidades de ponto foram determinadas por ponto único modelo cinemático para realizar a análise estatística 3-D, e para avaliar a importância dos deslocamentos de ponto e velocidades usando três observações periódicas de TUSAGA-Aktif Rede. As determinadas velocidades foram usadas para gerar os campos de velocidade da área de deslizamento de terra por três épocas, utilizando Sistema de Informação Geográfica (GIS). Os resultados obtidos indicam que quase todos os pontos monitorados mostrou movimentos significativos, com diferentes magnitudes de velocidades. Foram também determinados os rumos do movimento dos 35 pontos monitorados. Os resultados mostram que as tendências dominantes dos movimentos de deslizamento de terra na área de estudo estão nas direções noroeste e nordeste. Estes resultados estão de acordo com os resultados anteriores obtidos na mesma área de estudo cerca de dez anos atrás
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".