Proof and Application of Discriminating Ocean Oil Spills and Seawater Based on Polarization Ratio Using Quad-Polarization Synthetic Aperture Radar
Notice bibliographique
Résumé
This paper focuses on the proof and application of discriminating between oil spills and seawater (including the “look-alikes”, named low wind areas) based on the polarization ratio. A new relative polarization ratio (PRr) method is proposed, which is based on the difference between the scattering mechanism and the dielectric constant for oil spills compared to that of seawater. The case study found that (1) PRr numerically amplifies the contrast between oil spills and seawater, reduces the difference between low wind areas and ordinary seawater, and exhibits better details of the image; (2) the threshold method based on Euclidean distance can obtain the highest classification overall accuracy within the allowable error range, and can be widely used in the study of different incidence angles and environmental conditions; and (3) the identification of oil spills and seawater by the proposed methods can largely avoid the misjudgment of low wind areas as oil spills. Considering visual interpretation as the reference ‘ground truth’, the overall classification accuracy of all cases is more than 95%; only the edge of the diffuse thin oil slick and oil–water mixture is difficult to identify. This method can serve as an effective supplement to existing oil spill detection methods.
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 ».