Automating offshore infrastructure extractions using synthetic aperture radar & Google Earth Engine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Although Land Use and Land Cover (LULC) change is primarily focused on the types, rates, causes, and consequences of land change, increased anthropogenic development on the ocean's surface, such as offshore oil extraction, offshore wind energy, aquaculture, and coral reef conversion to military outposts, suggest that LULC change not only pertains to historically terrestrial space, but also new lands created on top of ocean surfaces. Therefore, similar human disturbance analyses are necessary for these transformed marine environments, but the lack of accurate, accessible, and up-to-date location information about these spatially dispersed changes significantly limits examination of their environmental impacts. Subsequently these dynamic changes across the oceans are poorly documented. Here, we developed a cloud-native geoprocessing algorithm to automatically detect and extract offshore oil platforms in the Gulf of Mexico using synthetic aperture radar and Google Earth Engine. Cross-validated results indicate our top model identified offshore infrastructure with a probability of detection of 98.70%, an overall accuracy of 96.09%, a commission error rate of 2.68%, and an omission error rate of 1.30%. Its generalizability was tested across wind farms in waters of China and the United Kingdom, which resulted in an overall accuracy of 97.00%, a commission error rate of 2.07%, and omission error rate of 0.97%. These generalization capabilities indicate our model can be potentially used to map global offshore infrastructure. Such increased ocean transparency could allow for improved marine environmental management by bringing objectivity, scalability, and accessibility.
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.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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) | 0,002 | 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 découle