MétaCan
Menu
Retour à la cohorte
Enregistrement W2773566907 · doi:10.1306/eg.07071717001

High-resolution satellite imagery applied to monitoring revegetation of oil-sands-exploration well pads

2017· article· en· W2773566907 sur OpenAlexaffabout
Cynthia Dacre, David Palandro, Anna Ołdak, Alex W. Ireland, Sean M. Mercer

Notice bibliographique

RevueEnvironmental Geosciences · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensImperial Oil (Canada)
Organismes subventionnairesnon disponible
Mots-clésRevegetationSatellite imageryRemote sensingVegetation (pathology)Land reclamationLand coverSatelliteWorkflowAerial photographyOrthophotoEnvironmental sciencePhotogrammetryGeologyLand useComputer scienceGeographyEngineeringDatabaseCivil engineeringArchaeology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT To achieve reclamation certification, oil-and-gas operations in Alberta, Canada are required to monitor the revegetation of idle well pads that no longer support operations. Currently, monitoring is completed by oblique, helicopter-collected photography and on-the-ground field surveys. Both monitoring strategies present safety and logistical challenges. To mitigate these challenges, a remote-sensing project was completed to develop and deploy a reproducible workflow using high-spatial-resolution satellite imagery to monitor revegetation progress on idle well pads. Seven well pads in the Aspen region of Alberta, Canada were selected for workflow development, using imagery from 2007, 2009, and 2011. Land-cover classes were derived from the satellite imagery using a training dataset, a series of vegetation indices derived from the satellite imagery, and regression tree classification programs, and were used to evaluate changes in vegetation cover over time. A refined version of this general workflow was then deployed across 39 well pads in the Firebag region of Alberta, Canada, using imagery from 2010 to 2016. In 2016, fieldwork was conducted across a subset of 16 well pads in the Firebag region, which facilitated a formal accuracy assessment of the land-cover classifications. This project demonstrated that high-spatial-resolution satellite imagery could be used to develop accurate land-cover classifications on these relatively small landscape features and that temporal land-cover classifications could be used to track revegetation through time. Overall, these results show the feasibility of remote-sensing–based workflows in monitoring revegetation on idle well pads.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,449
Score d'incertitude au seuil0,892

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,218
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental GeosciencesMême sujetRemote Sensing in AgricultureTravaux en français237 207