A systematic review of state-of-the-art technologies for monitoring plastic seafloor litter
Notice bibliographique
Résumé
Plastic litter has been widely documented in our oceans, leading to growing worldwide concerns regarding its potential impact on the marine environment. A large proportion of this plastic accumulates at the bottom of the ocean, resulting in a need to monitor and quantify seafloor litter. Seafloor litter monitoring is mostly performed using benthic beam trawls, which have several limitations and environmental implications. New innovative ways to document and address seafloor litter are therefore necessary and requested by the United Nations Sustainable Development Goal 14 (SDG 14.1.1b), the Oslo Paris Convention (OSPAR) and the International Council for the Exploration of the Sea (ICES). This systematic review gives an overview of the state-of-the-art of 14 current underwater technologies that are eligible for future in situ detection of plastic litter on the seafloor based on 101 publications. A set of objectives and a Technology Readiness Level (TRL) scale were used to benchmark the technologies and revealed that the most suitable system is often very scenario-specific and, therefore, demands investments in more than one specific group of technologies. A decision tool was established to determine the most suitable technique for a range of different situations. This review indicates that most of these technologies are currently at low-middle TRLs, requiring several more development, testing and commercialization steps before they can be applied effectively in marine field conditions. However, these technologies, alone or in combination, have the potential to contribute to the establishment of more robust global environmental indicators and monitoring programs for plastic pollution.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».