Monitoring volcanic gas hazards in Goma DRC using GIS and Google Earth Engine
Notice bibliographique
Résumé
Abstract Nyiragongo volcano, situated dangerously close to the densely populated city of Goma, poses a constant and immediate threat. This research investigated the 2021 Nyiragongo eruption, employing a multi-faceted approach to characterize lava flow trajectories and the emission of deleterious gases (CO₂, CO, and NO₂). Methodologically, the study integrated field observations, satellite remote sensing via Google Earth Engine (GEE), and Geographic Information Systems (GIS) to delineate lava flow extents. Furthermore, in situ analyses documented structural damage to roadways in Goma and adjacent areas, attributed to seismic wave propagation. Despite the eruption’s relatively limited magnitude on May 20, 2021, field assessments revealed substantial localized devastation, particularly resulting from lava inundation of built infrastructure. The integration of GIS mapping into urban planning strategies is paramount for reconstruction initiatives in Goma and analogous regions. These geospatial analyses can delineate hazardous zones based on established lava flow patterns, thereby mitigating future infrastructural development in high-risk areas. While ground instruments are limited in their capacity to determine plume density and dispersal, critical parameters for eruption forecasting. Conversely, satellite remote sensing offers a synoptic perspective, enabling the monitoring of gas emission dynamics across extensive spatial domains. This study leveraged satellite imagery to analyze the spatiotemporal evolution of volcanic gas halos associated with Nyiragongo volcano during pre-eruptive, eruptive, and post-eruptive phases of two distinct events. Comparative analysis of sequential satellite observations facilitated the identification of recurring patterns in gas density and distribution.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».