MétaCan
Menu
Retour à la cohorte
Enregistrement W2802172300 · doi:10.1109/tgrs.2018.2818717

A Controlled Experiment on Oil Release Beneath Thin Sea Ice and Its Electromagnetic Detection

2018· article· en· W2802172300 sur OpenAlexafffundabout
Nariman Firoozy, Thomas D. Neusitzer, Diana Chirkova, Durell S. Desmond, Marcos Lemes, Jack Landy, Puyan Mojabi, Søren Rysgaard, Gary A. Stern, David G. Barber

Notice bibliographique

RevueIEEE Transactions on Geoscience and Remote Sensing · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesDivision of Arctic SciencesNatural Sciences and Engineering Research Council of Canada
Mots-clésSea iceSea ice thicknessGeologyRemote sensingRadarSea ice concentrationScatterometerGround-penetrating radarEnvironmental scienceArctic ice packOceanographyWind speedAerospace engineering

Résumé

récupéré en direct d'OpenAlex

This paper presents a multidisciplinary research on the thermodynamic and geophysical effects of crude oil released underneath thin sea ice, and further evaluates the ability of a combined frequency- and time-domain approach toward its detection. To this end, a controlled oil release experiment in an artificially grown sea ice mesocosm was performed during the winter of 2017 at the Sea-Ice Research Environmental Facility located at the University of Manitoba. Ice cores extracted during the evolution of the sea ice prior and post oil injection allowed the investigation of the profile's properties and the oil distribution. Furthermore, chemical composition and microstructure analysis were performed via a gas chromatography-time-of-flight mass spectrometry and X-ray, respectively. The time-series radar signature of the profile was measured utilizing ground penetration radar at 500 MHz and a C-band scatterometer. For this experiment, it was shown that the retrieval of the oil presence underneath the young sea ice layer was feasible, provided that the measured data were utilized simultaneously in a unified cost function.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,008
Tête enseignante GPT0,220
Écart entre enseignants0,212 · 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'étudeExpérimental (laboratoire)
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

Citations24
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Geoscience and Remote SensingMême sujetOil Spill Detection and MitigationTravaux en français237 207