A statistical representation of oil spill fate in the Salish Sea (Part 1)
Notice bibliographique
Résumé
Transport of different oil types as fuel or cargo varies within the Salish Sea and over time. Although many studies have focused on the future health of Salish Sea ecosystems under a warming climate, no study has addressed how market-based dependencies on fossil fuels introduces geographic and temporal variations in ecosystem vulnerabilities. This paper aims to help address this knowledge gap with details of oil transport and oil spill risk in the Salish Sea. Part 1 describes the method that we developed to statistically generate individual oil spill scenarios based on ship traffic data, Washington state oil transfer data, and information on past oil spill events. We examine a set of these 10,000 random spill scenarios, referred to as "Study Spill Set," and we compare this Study Spill Set to other sets of 10,000 spills. The Study Spill Set generated by this Monte Carlo method is the spill set that was used in the model simulations described and presented in a second paper in this special issue, Part 2 (Mueller et al., 2025). While Part 1 focuses on the methods and results from statistically generating 10,000 spill scenarios, Part 2 focuses on the likelihood of oil spill impacts in the Salish Sea based on the fate and transport of these 10,000, statistically-generated spill scenarios. In this paper, we explain the development of our Monte Carlo approach and show that Salish Sea oil spill risks are regionally variable by oil type and spill volume.
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 | 0,000 |
| 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) | 0,005 | 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 ».