TWO WAVELENGTHS MODEL METHOD FOR DETERMINATION OF OIL EMULSION DEPTH ON THE SEA SURFACE IN INFRARED BAND
Notice bibliographique
Résumé
The measurement of oil slick thickness has long been a relative science, with absolute measurement eluding the remote sensing community. Knowledge of oil slick thickness would significantly benefit both the spill response and scientific research communities. The effective direction ofoil spill countermeasures such as in situ burning and dispersant application depends on knowledge of slick thickness and volume. Without accurate thickness information, application ofthese technologies in a spill response is a hit-and-miss scenario at best. In the research community there remains a great deal to be learned about oil slick spreading, and dispersant effectiveness. A remote sensor which can provide an absolute measurement of oil thickness, could begin to unravel some of the mystery surrounding the dynamics of oil slick spreading and provide a real method of measuring dispersant effectiveness. One ofthe most exciting roles for the slick thickness measurement sensor would be the calibration of other pieces of remote sensing equipment. Some of the most economical and commonly used airborne remote sensors are the ultraviolet/infrared (UV/IR) scanners and cameras. The UV portion of the sensor responds to the entire area ofthe slick including the thin sheen areas. The thermal IR portion of the sensor provides information on the thicker portions of the slick. The integration of data from the UV and IR provides an indication ofthe thick and thin portions of the slick. This is however a relative picture with little known about the actual thicknesses involved. Calibration ofthese economical instruments with a sensor capable of absolute slick thickness measurement would be a boon to the response community.
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 | 0,000 | 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) | 0,000 | 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 ».