Using SAR images to delineate ocean oil slicks with a texture-classifying neural network algorithm (TCNNA)
Notice bibliographique
Résumé
Satellite-borne synthetic aperture radar (SAR) data are widely used for detection of hydrocarbon resources, pollution, and oil spills. These applications require recognition of particular spatial patterns in SAR data. We developed a texture-classifying neural network algorithm (TCNNA), which processes SAR data from a wide selection of beam modes, to extract these patterns from SAR imagery in a semisupervised procedure. Our approach uses a combination of edge-detection filters, descriptors of texture, collection information (e.g., beam mode), and environmental data, which are processed with a neural network. Examples of pattern extraction for detecting natural oil seeps in the Gulf of Mexico are provided. The TCNNA was successful at extracting targets and rapidly interpreting images collected under a wide range of environmental conditions. The results allowed us to evaluate the effects of different environmental conditions on the expressions of oil slicks detected by the SAR data. By processing hundreds of SAR images, we have also found that the optimum wind speed range to study surfactant films is from 3.5 to 7.0 m·s–1, and the best incidence angle range for surfactant detection in C-band is from 22° to 40°. Minor postprocessing supervision is required to check TCNNA output. Interpreted images produce binary arrays with imbedded georeference data that are easily stored and manipulated in geographic information system (GIS) data layers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».