Mapping Marine Oil Spill Concentrations From SAR Images Using a Co-Polarization Difference-Based Method
Notice bibliographique
Résumé
Accurate mapping of oil concentrations is essential for effective response to oil spill emergencies. The complexity of microwave scattering over oil-contaminated sea surfaces poses substantial challenges for synthetic aperture radar (SAR) applications, primarily due to the limited understanding of non-Bragg scattering mechanisms. This knowledge gap restricts the development of robust retrieval algorithms for quantifying oil spill concentrations. To address this issue, a novel retrieval approach is proposed based on the co-polarization difference (PD), which is independent of non-Bragg scattering. The influence of oil on the sea surface is attributed to two dominant factors: suppression of short gravity-capillary waves and reduction in the effective dielectric constant. By analyzing SAR imagery of oil spills with varying concentrations, it is found that the damping effect of oil spills on small-scale waves can be predicted using the Marangoni damping model. Once the contribution of wave suppression to PD reduction is isolated, the residual PD variation is attributed to changes in the dielectric constant. Oil concentration is then retrieved by comparing the PD of each pixel within the contaminated area to a theoretical PD lookup table. The proposed method is validated using simulated SAR datasets representing different oil concentrations and subsequently applied to SAR data acquired during the Deepwater Horizon oil spill in the Gulf of Mexico.
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 | 0,001 | 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 ».