Characterization of oil slicks at sea using remote sensing techniques
Notice bibliographique
Résumé
Oil slicks can be visually detected through remote sensing techniques because of sharp image contrast variations between the oil slicks and surrounding water. These contrast variations are usually due to the dampening of the water surface roughness caused not just by oil, but possibly also by freshwater runoff and biogenic surfactants (also called “biogenic look-alikes”), such as those due to phytoplankton blooms. Floating macroalgae can also alter the texture of the water surface and contribute to look-alikes. Using methodologies we developed and implemented in previous studies of oil spills using hyperspectral optical imagery, we have tested several algorithms for biogenic look-alikes and oil slick characterization from optical and RADAR sensors in order to improve operational monitoring of marine coastal areas for oil pollution. With the opportunity to use imagery acquired over the Deepwater Horizon oil spill in the Gulf of Mexico in 2010, we have demonstrated promising utility of optical imagery to assist in differentiating oil from RADAR look-alikes in low wind situations. We have demonstrated that the interpretation of false positives for oil slicks in RADAR imagery can be adequately assisted by the analysis of optical imagery. Furthermore, oil spill extent and slick thickness can be mapped and characterized using spaceborne imagery. This represents a major improvement over local observations of oil spill for emergency and mitigation actions by improving response time and providing a synoptic view of the impacted areas.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».