Examining an Oil Spill Plume Mapping Method based on Satellite NIR Data
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
Reliable information on the spreading of oil plume on water caused by massive oil spills is essential for making proper clean-up measures. Satellite remote sensing technology has advantages over other methods in terms of larger coverage and without ex- pensive operating costs to detect oil spills. In this study, an oil plume delineation method based on the Near-Infrared (NIR) satellite data is used to examine oil spill plume area and size for the BP Deepwater Horizon Oil Spill in the offshore water of Gulf of Mexico and for the recent Norilsk oil spill in a Northern inland water region. To get accurate results noise signals such as land from the data are masked out using SNAP based DEM data and Normalized Difference Water Index method, whereas cloud signals are removed using MODIS cloud masking. Cox-Munk model is used to compute the sun glint radiance. Results of DP oil spill case depicts a 4838.84 km2 thicker oil plume along with the 20635.53 km2 thinner portion of the oil slicks using MODIS NIR data at a 500-meter resolution. It is subsequently applied to the recent Norilsk Oil Spill using higher resolution Sentinel-2 NIR data to test the method for detecting spill plume in an inland river water system. Reasonable high-resolution results at 10 meter have been obtained for the smaller scale oil spill onto river water compared to larger offshore area, considering that the river site has complex conditions including shallow water and river reddish soil close to oil color. The developed method is suitable for detecting thick oil plume in ocean or deep inland water bodies.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle