Using SAR images to delineate ocean oil slicks with a texture-classifying neural network algorithm (TCNNA)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,000 | 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 découle