Notice bibliographique
Résumé
Oil pollution on the ocean has been highlighted in the past 40 years by several tanker accidents in Europe, like those of Exxon Valdez, Erika or Prestige. But these oil tanker accidents only account for a few percent of the total oil pollution worldwide and hide the regular pollution in important traffic zones like the Mediterranean and other oceans caused by oil drillings or illegal discharges. Due to very regular acquisitions from imaging radar on board satellites since the beginning of the 90's, statistical information about slicks is available all over the world oceans. From the first SAR satellites dedicated to research (ERS series, RadarSat-1) via European Envisat, TerraSAR-X, Cosmo Skymed or Canadian RadarSat-2 to the new European Sentinel series (namely Sentinel 1A, 1B and possibly 1C in the future) oriented towards services and applications, the expertise from the R&D community allows a much better oil spill monitoring nowadays. Oil spills appear as a dark patch on the SAR image. Nevertheless, detecting oil slicks and oil spills remains difficult, as other phenomena are also modifying the sea surface conditions: wind, sea state, currents, ... In order to go beyond oil spill detection and tracking and for setting an efficient prevention system, one must also detect and identify the ships responsible of the oil discharges. For that purpose, synergetic approaches have been used, mixing the radar imaging inputs with met information and mandatory ship identification systems (AIS - Automatic Identification System) mainly. This effort is quite important as the vast majority of these pollutions occur near the coastal zones where 80% of the world population lives.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».