Étude corrélative des paramètres physico-chimiques et des données satellites IRS1C pour caractériser la pollution aquatique. Application à la baie d’Oran, Algérie
Bibliographic record
Abstract
Le contrôle de la qualité de l'eau est fondé naturellement et traditionnellement sur des mesures et des prélèvements in situ. Des images satellites étalonnées à partir des données mesurées in situ fournissent une information quantitative et continue sur le milieu aquatique et peuvent être employées pour estimer, avec une approximation raisonnable, les facteurs affectant la qualité de l’eau L’objectif de cet article consiste à établir des corrélations entre les propriétés optiques de l’eau de mer et les paramètres physico-chimiques. Nous présentons des relations exprimant les variables indicatrices de la qualité des eaux du littoral d’Oran et la réflectance calculée de chaque pixel à partir d’un modèle physique de correction radiométrique. Les mesures in- situ sont effectuées pour des zones de différentes qualités d’eaux et leurs réflectances sont calculées à partir d’une image satellite à haute résolution IRS1-C. Les meilleures corrélations sont obtenues sur le deuxième et le troisième canal visible. Pour la demande chimique en oxygène, le coefficient de corrélation atteint 0.84, pour les matières en suspension r2 = 0.88, pour la demande biochimique de l’oxygène pendant cinq jours r2 = 0.62, pour l’oxygène dissous r2 = 0.77 et pour la turbidité r2 = 0.90. Finalement, des relations linéaires sont établies avec les réflectances. L’inversion de ces relations permet d’obtenir des images transformées à partir du logiciel de traitement d’image afin d’estimer pour chaque pixel le degré de pollution du milieu.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".