Detecting Plastic Pollution in Aquatic Environment Using Remote Sensing Technology: Cost-Saving Method in Pollution and Risk Management for Developing Countries
Notice bibliographique
Résumé
One of the crucial elements that is directly tied to the quality of living organisms is the quality of the water. However, water quality has been adversely affected by plastic pollution, a global environmental disaster that has an effect on aquatic life, wildlife, and human health. To prevent these effects, better monitoring, detection, characterisation, quantification, and tracking of aquatic plastic pollution at regional and global scales is urgently needed. Remote sensing technology is regarded as a useful technique, as it offers a promising new and less labour-intensive tool for the detection, quantification, and characterisation of aquatic plastic pollution. The study seeks to supplement to the body of scientific literature by compiling original data on the monitoring of plastic pollution in aquatic environments using remote sensing technology, which can function as a cost saving method for water pollution and risk management in developing nations. This article provides a profound analysis of plastic pollution, including its categories, sources, distribution, chemical properties, and potential risks. It also provides an in-depth review of remote sensing technologies, satellite-derived indices, and research trends related to their applicability. Additionally, the study clarifies the difficulties in using remote sensing technologies for aquatic plastic monitoring and practical ways to reduce aquatic plastic pollution. The study will improve the understanding of aquatic plastic pollution, health hazards, and the suitability of remote sensing technology for aquatic plastic contamination monitoring studies among researchers and interested parties.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».