Surface ice observations on the St. Lawrence River using infrared thermography
Notice bibliographique
Résumé
Abstract Winter navigation requires regular and informative ice observations in order to provide safe and effective waterways. Acquiring field data is a costly, risky and difficult operation that can be greatly aided by airborne remote sensing. This paper reports on a field campaign designed to assess the utility of infrared thermography as a means of river ice monitoring. For this study, data were acquired on the St. Lawrence River. In March 2008, airborne infrared georeferenced images were acquired between Montreal and Quebec City, Canada. Following appropriate corrections and calibration, each image provided direct information on surface ice characteristics including superficial concentration and temperature. Ice floe thickness could also be deduced through the numerical analysis of ice surface temperature and near surface air temperature. Taken as a whole, the set of images reveals phenomena and patterns in the observed ice floes. These include: surface median temperature (from −2 to 0°C); median thickness (from 1 to 3 cm); concentration (highly variable along successive reaches, varying from 0 to 100%); shape of floes (typically more oblong than circular); mean floe area (up to 5 ha) and number of floes per hectare (typically from 5 to 50). Along successive reaches, sectorial trends are observed for differing hydraulic conditions. Taken together, theses statistics bring out the variability inherent in the ice floes developed along the river, and lead to the conclusion that infrared thermography is a unique and effective tool for river ice monitoring, as it provides both rich visual and quantitative information. Copyright © 2010 John Wiley & Sons, Ltd.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».