Avaliação Dos Modelos Digitais De Elevação (Mde) Derivados De Imagens De Sensoriamento Remoto Orbital
Bibliographic record
Abstract
Modelos digitais de elevação, MDE, auxiliam em desenvolver atividades agrícolas como escolhas das áreas de atuação, cultura a ser introduzida, obter informações topográficas em locais de difícil acesso, traçar sentido de plantio, permite uma melhor distribuição e abertura de carreadores de acesso nas lavouras, fornece uma prévia do traçado de curvas em nível, também orienta em traçar um perfil longitudinal do solo de uma localização a outra. O objetivo deste trabalho foi analisar qual imagem de satélite possui informações que mais aproxima da real situação topográfica da área em estudo. Utilizando pontos GPS coletados em campo, juntamente com imagens de satélite ASTER, SRTM, TOPODATA e suas respectivas informações disponíveis. Foi extraído o erro médio quadrático e determinado qual imagem de satélite possui melhor resultado correlacionado com as elevações do local estudado. A imagem que gerou o menor valor RMSE foi o MDE TOPODATA, com valor de 12,59 m, passando a ser a informação que melhor refletiu o plano topográfico local. Á associação da atividade agrícola junto ao solo, se aplica ou adequa conforme as elevações do terreno.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".