Characterization of laser induced fluorescence from background aerosols in a maritime environment
Notice bibliographique
Résumé
Defence R&D Canada (DRDC) has developed, by the end of the 90s, a standoff bioaerosol sensor based on intensified range-gated spectrometric detection of Laser Induced Fluorescence (LIF). This sensor called SINBAHD demonstrated the capability to detect and characterize bioaerosols from a stand-off position. The sensor sensitivity and false alarm rate directly depend on the background characteristics since these later will dictate the threshold levels to be used. SINBAHD was used to characterize the background aerosols in a maritime environment close to Halifax, Canada in May 2008. The characterization of the LIF signal from the background aerosols included spectral, temporal and spatial aspects over 8 nights of continuous data collection. The local environmental conditions in addition to the aerosol concentration and particle size distribution were recorded during the entire trial period. From the 64 LIF trials, only five showed specific spectral features. The spectral variability was encountered either at short range, thus closer to the shore, or during a night having a specific prevalent wind direction. Indeed, the detected anomalies were in most cases directly related to the climatic conditions. The integrated LIF signal was also processed to assess the use of LIF intensity to identify aerosol anomalies in a maritime environment.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».