five

De archeologie van Zoetermeer|考古学数据集|历史研究数据集

收藏
Mendeley Data2024-06-03 更新2024-06-27 收录
考古学
历史研究
下载链接:
https://archaeology.datastations.nl/citation?persistentId=doi:10.17026/AR/KKOL86
下载链接
链接失效反馈
资源简介:
In opdracht van de gemeente Zoetermeer heeft Archeologie Delft een archeologisch bureauonderzoek uitgevoerd naar de veertien archeologische monumenten in deze gemeente. Daarnaast is onderzoek gedaan naar de archeologische verwachting voor Late Steentijd in hele gemeente. Van ieder monument is onderzocht welke bekende archeologische resten aanwezig zijn en welke nog onbekende resten gevonden zouden kunnen worden (de archeologische verwachting). Hierbij is voor de oudste perioden gekeken naar de aantrekkelijkheid van het landschap voor bewoning en de verspreiding van reeds bekende archeologische vondsten. Voor de Middeleeuwen en Nieuwe Tijd is gebruik gemaakt van historische kaarten voor het lokaliseren van bewoningsassen, boerenerven, molens en het kasteel. De uitkomst van het onderzoek is dat in Zoetermeer geen relevante resten meer zijn te verwachten uit de perioden voor de Late Middeleeuwen. Uit de periode van de middeleeuwse ontginningen vanaf het jaar 1000 kunnen wel nog talloze archeologische resten aanwezig zijn, evenals uit de jongere perioden. De resten van na het jaar 1700 worden in veel gevallen van minder groot belang geacht omdat over deze periode veel archiefbronnen beschikbaar zijn. Van ieder van de archeologische monumenten is aangegeven welke delen een hoge archeologische verwachting hebben en dus behoudenswaardig zijn en welke delen geen archeologische verwachting hebben en dus vrijgegeven kunnen worden. Daarnaast is gebleken dat verschillende terreinen met een hoge archeologische verwachting net buiten de destijds aangewezen archeologische monumenten zijn komen te vallen. Aangeraden wordt om deze terreinen met belangrijke archeologische informatie alsnog aan de monumenten toe te voegen. Voor de Late Steentijd geldt voor heel Zoetermeer een lage archeologische verwachting. Op basis van de archeologische verwachting is voor ieder monument een advies opgesteld over de te nemen vervolgstappen in het kader van de archeologische monumentenzorg.
创建时间:
2024-05-30
用户留言
有没有相关的论文或文献参考?
这个数据集是基于什么背景创建的?
数据集的作者是谁?
能帮我联系到这个数据集的作者吗?
这个数据集如何下载?
点击留言
数据主题
具身智能
数据集  4099个
机构  8个
大模型
数据集  439个
机构  10个
无人机
数据集  37个
机构  6个
指令微调
数据集  36个
机构  6个
蛋白质结构
数据集  50个
机构  8个
空间智能
数据集  21个
机构  5个
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集

中国区域地面气象要素驱动数据集 v2.0(1951-2024)

中国区域地面气象要素驱动数据集(China Meteorological Forcing Data,以下简称 CMFD)是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素,时间分辨率为 3 小时,水平空间分辨率为 0.1°,时间长度为 74 年(1951~2024 年),覆盖了 70°E~140°E,15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据,并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品,其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展,其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本,而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集,但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外,在制作 CMFD 2.0 的过程中,研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息,显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时,CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年,并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同,但其有效数据扩展到了中国之外,能够更好地支持跨境区域研究。为方便用户使用,CMFD 2.0 还在基础变量集之外提供了若干衍生变量,包括近地面相对湿度、雨雪分离降水产品等。此外,CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术,转而直接将实型数据压缩存储于 NetCDF4 格式文件中,从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7,但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变,故将其版本号重新定义为 2.0。

国家青藏高原科学数据中心 收录

MeSH

MeSH(医学主题词表)是一个用于索引和检索生物医学文献的标准化词汇表。它包含了大量的医学术语和概念,用于描述医学文献中的主题和内容。MeSH数据集包括主题词、副主题词、树状结构、历史记录等信息,广泛应用于医学文献的分类和检索。

www.nlm.nih.gov 收录

波士顿房价数据集

波士顿房价数据集是一个经典的机器学习数据集,通常用于回归任务,尤其是房价预测。下方文档中有所有字段顺序的描述。

阿里云天池 收录

鱼类目标检测数据集

本数据集专为改进YOLOv8的鱼类目标检测系统而设计,包含了丰富的鱼类图像数据,旨在为研究人员和开发者提供一个高质量的训练基础。数据集的总图像数量达到了7480张,涵盖了30个不同的鱼类类别,展现了水生生态系统的多样性和复杂性。这些图像不仅为模型训练提供了充足的样本,还确保了模型在实际应用中的泛化能力。

github 收录

RFUAV

RFUAV数据集是由浙江科技大学信息科学与工程学院开发的高质量原始射频数据集,包含37种不同无人机的约1.3 TB原始频率数据。该数据集旨在解决现有无人机检测数据集类型单一、数据量不足、信号-to-噪声比(SNR)范围有限等问题,提供了丰富的SNR级别和用于特征提取的基准预处理方法及模型评估工具。数据集适用于射频无人机检测和识别,有助于推动相关技术的研究与应用。

arXiv 收录