From Net Environmental Benefit Analysis to Spill Impact Mitigation Assessment SIMA
Notice bibliographique
Résumé
Abstract A key objective for any oil spill response effort is to minimize the impacts to ecological, socio-economic and cultural resources at risk. To that end, the contingency planners and incident managers have traditionally utilized a formal or informal Net Environmental Benefit Analysis (NEBA) for selecting the most appropriate response option(s) to minimize spill impacts and promote recovery. The processes used to conduct a NEBA have varied considerably between industry operators, though the outcomes in terms of response strategy development have been similar. This variation in NEBA approaches can lead to challenges with communicating the underlying basis of response strategies to stakeholders. The oil industry published updated guidance in 2015 to explain the general principles of the NEBA process and facilitate stakeholder involvement. However, with industry's increasing reliance on NEBA to enhance the transparency of response strategy development, a consistent methodology for conducting formal NEBAs was required. In response to the above issue key industry associations collaborated on developing a qualitative NEBA methodology that was renamed Spill Impact Mitigation Assessment (SIMA). This methodology is designed to give a consistent approach to larger or higher consequence oil spill scenarios, where multiple spill response options are being considered and a formal SIMA/NEBA is warranted. Several industry spill response specialists and an independent expert participated in this project, resulting in the development of ‘Guidance on Implementing Spill Impact Mitigation Assessment’. The SIMA methodology is described, representing a tool that identifies the response option(s) that will best mitigate the overall impacts of an oil spill.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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) | 0,009 | 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 ».