Physical Modelling of Nanda Devi National Park, a Natural World Heritage Site, from GIS Data
Bibliographic record
Abstract
Une méthode a été mise au point afin de produire, par fabrication additive (FA), un modèle physique du Parc national de Nanda Devi (PNND), site qui figure sur la Liste du patrimoine naturel mondial de l’UNESCO, afin de faciliter la communication entre les parties qui interviennent dans la gestion de la conservation de ce parc. Les données obtenues par SIG fournissent des valeurs d’élévation pour la surface du terrain uniquement et ne sont pas définies en 3D. Le fichier de format DEM ASCII XYZ est converti au format STL, en 3D, avec une base et des côtés. Les lacunes et les singularités dans les données sont prises en compte. La méthode par fabrication additive ouvre de vastes possibilités pour la conservation et la réhabilitation des sites de l’UNESCO. À partir de cette méthode, un modèle physique du PNAD a été créé. Le modèle a énormément de potentiel pour le suivi à long terme des sites du patrimoine mondial et de la chaine himalayenne. Il peut servir de moyen de communication efficace pour les gestionnaires de la conservation. Des modèles physiques des bassins des vallées glaciaires ou du pic de la Nanda Devi enrichiraient encore nos connaissances. Le travail de recherche pourrait s’étendre à la fabrication de modèles de plus grandes dimensions du PNND, ou à la modélisation de zones plus petites du PNND, en consultation avec les parties concernées.
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) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 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) | 0.008 | 0.002 |
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".