MétaCan
Menu
Retour à la cohorte
Enregistrement W2065307899 · doi:10.7901/2169-3358-2003-1-1207

Assessing the Capability of Remote Detection Systems to Identify Oil Slicks in Harbours

2003· article· en· W2065307899 sur OpenAlexaff
Ron Goodman, Henry Hudema, Blair Mullin, Alex Markov Amtech

Notice bibliographique

RevueInternational Oil Spill Conference Proceedings · 2003
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensCochrane
Organismes subventionnairesnon disponible
Mots-clésOil spillHarbourRacing slickEnvironmental scienceOil pollutionMarine pollutionPollutionComputer scienceEnvironmental engineeringEcology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT In the past, the presence of oil slicks in harbours has been acknowledged as a natural result of ship movement and industrial activity in the area. In recent years, such pollution has become socially and environmentally unacceptable. The most common method of detecting the presence of oil in a harbour is currently the use of marine patrols and visual observations. This is a costly activity, which is not very effective. Harbourmasters and others involved in the operation of major marine facilities have recognized the need for a system that would continuously monitor for the presence of oil on water, and report its location to a central control room. In order to prosecute such violations, the system should be capable of identifying the oil and relating the oil to a specific ship. In the last ten years there have been significant developments in the remote sensing of oil on water in the support of oil-spill response. Such systems have generally been used as airborne packages, which allow the coverage of large areas. For the harbour situation, the area of coverage is fixed permitting the sensors to be mounted on towers. It would be ideal if the system had coverage similar to that of existing Vessel Traffic Systems (VTS). This paper will examine the applicability of using existing and proven oil-spill detection systems for harbours.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,585
Score d'incertitude au seuil0,483

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,303
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Oil Spill Conference ProceedingsMême sujetOil Spill Detection and MitigationTravaux en français237 207