A Probability-Based Daytime Algorithm for Sea Fog Detection Using GOES-16 Imagery
Notice bibliographique
Résumé
Fog is a hazardous weather event that can endanger navigation, aviation, and transportation. While human has several limitations in detecting and forecasting offshore fog, satellite remote sensing offers cost-effective images. In this study, a probability-based daytime sea fog detection algorithm, applied to geostationary operational environmental satellite (GOES) 16 satellite data over the Grand Banks offshore Eastern Canada, is presented and compared with the National Oceanographic and Atmospheric Administration (NOAA)'s Low Instrument Flight Rules (LIFR) probability map. Initially, clear-sky and ice cloud classes were delineated in the GOES-16 image and then the remaining pixels were assigned a fog probability by conducting small droplet proxy, spatial homogeneity, and temperature difference tests. Moreover, a green band was linearly interpolated using the first three bands of GOES-16 images to generate pseudotrue color composites. The resulting maps were evaluated both during an extended sea fog event and using several statistical measures. The average detection probability for the observed advection fog events was 66% for the proposed method, while that for NOAA's LIFR map was 38%. Furthermore, by thresholding the generated maps at the probability of 60%, the false alarm rate, probability of detection, hit rate, and Hanssen-Kuiper skill score were 0.09, 0.77, 0.83, and 0.68, respectively. The proposed method is operationally being used in this region to detect and monitor sea fog, facilitating safe navigation and aviation. This is the first study that uses GOES-16 for daytime fog detection and discusses a satellite-based solution for fog modeling in Grand Banks, NL.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».