Robust Probabilities of Detection and Quantification Uncertainty for Aerial Methane Detection: Examples for Three Airborne Technologies
Notice bibliographique
Résumé
Thorough characterization of probabilities of detection (POD) and quantification uncertainties is fundamentally important to understand the place of aerial measurement technologies in alternative means of emission limitation (AMEL) or alternate fugitive emissions management programs (Alt-FEMP); monitoring, reporting, and verification (MRV) efforts; and surveys designed to support measurement-based emissions inventories and mitigation tracking. This paper presents a robust framework for deriving continuous probability of detection functions and quantification uncertainty models for example aerial measurement techniques based on controlled release data. Using extensive fully- and semi-blinded controlled release experiments to test Bridger Photonics Inc.'s Gas Mapping LiDAR (GML)™, as well as available semi- and non-blinded controlled release data for Kairos LeakSurveyor™ and NASA/JPL AVIRIS-NG technologies, robust POD functions are derived that enable calculation of detection probability for any given source rate, wind speed, and flight altitude. Uncertainty models are separately developed that independently address measurement bias, bias variability, and measurement precision, allowing for a distribution of the true source rate to be directly calculated from the source rate estimated by the technology. Derived results demonstrate the potential of all three technologies in methane detection and mitigation, and the developed methodology can be readily applied to characterize other techniques or update POD and uncertainty models following future controlled release experiments. Finally, the analyzed results also demonstrate the importance of using controlled release data from a range of sites and times to avoid underestimating measurement uncertainties.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».