Comparative and critical analysis of data sources used for ship traffic spatial pattern analysis in Canada and across the global Arctic
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
• First comparative analysis of NORDREG, S-AIS and ASTD datasets for Arctic shipping. • Fusing S-AIS and ASTD enhances vessel detection across Arctic maritime regions. • S-AIS outperforms ASTD in Northwest Passage and Northern Sea Route coverage. • ASTD excels in regions with dense terrestrial AIS, like Norway and Iceland. • Arctic vessel detections show consistent growth from 2011 to 2022. This study presents a comprehensive comparative analysis of three primary datasets commonly employed to evaluate shipping patterns in Arctic waters: 1) Northern Canada Vessel Traffic Zone (NORDREG), 2) satellite-based Automatic Identification System (S-AIS) from a private provider, and 3) the Arctic Ship Traffic Database (ASTD). Covering the years 2011 to 2022, the analysis assesses spatial and temporal metrics for each dataset while employing robust data cleaning techniques to address signal manipulation and detection gaps. Findings reveal that S-AIS and NORDREG excel in detecting vessel traffic in Canadian waters, including the Northwest Passage (NWP), while ASTD demonstrates strong performance in regions with dense terrestrial AIS coverage, such as Norway and Iceland. However, ASTD is less effective along critical shipping routes, including the NWP and the Northern Sea Route (NSR), where S-AIS provides broader coverage. Both datasets indicate an upward trend in AIS-based traffic throughout the Arctic. The results underscore the value of fusing S-AIS and ASTD datasets to provide a more complete and accurate understanding of Arctic shipping patterns. This research offers critical insights for policymakers and researchers selecting ship traffic data for regional and global Arctic analyses, maritime safety, and environmental decision-making.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| 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 découle