Real time HABs mapping using NASA Glenn hyperspectral imager
Notice bibliographique
Résumé
The hyperspectral imaging system (HSI) developed by the NASA Glenn Research Center was used from 2015 to 2017 to collect high spatial resolution data over Lake Erie and the Ohio River. Paired with a vicarious correction approach implemented by the Michigan Tech Research Institute, radiance data collected by the HSI system can be converted to high quality reflectance data which can be used to generate near-real time (within 24 h) products for the monitoring of harmful algal blooms using existing algorithms. The vicarious correction method relies on imaging a spectrally constant target to normalize HSI data for atmospheric and instrument calibration signals. A large asphalt parking lot near the Western Basin of Lake Erie was spectrally characterized and was determined to be a suitable correction target. Due to the HSI deployment aboard an aircraft, it is able to provide unique insights into water quality conditions not offered by space-based solutions. Aircraft can operate under cloud cover and flight paths can be chosen and changed on-demand, allowing for far more flexibility than space-based platforms. The HSI is also able to collect data at a high spatial resolution (~1 m), allowing for the monitoring of small water bodies, the ability to detect small patches of surface scum, and the capability to monitor the proximity of blooms to targets of interest such as water intakes. With this new rapid turnaround time, airborne data can serve as a complementary monitoring tool to existing satellite platforms, targeting critical areas and responding to bloom events on-demand.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».