Estimation of bathymetry using earth observation for marine renewable energies
Bibliographic record
Abstract
La bathymétrie est un paramètre clé pour le développement des énergies marines renouvelables. L’acquisition actuelle de ces données est faite par des sondeurs acoustiques embarqués sur navires. Les images satellites des Radar à Synthèse d'ouverture (RSO) peuvent être utilisées pour obtenir des cartes bathymétriques dont la résolution est adaptée aux besoins des acteurs des EMR. L’objectif de la thèse est l’évaluation du potentiel des nouveaux satellites embarquant des imageurs radar pour l’estimation de la bathymétrie. La répétition de la mesure de la mission Sentinel-1 permet d’obtenir des images RSO d’une même zone tous les 6 jours. Cette capacité à imager des conditions de mer très différentes permet d'augmenter la probabilité d'obtenir des conditions favorables à l’estimation de la bathymétrie par des méthodes exploitant l'interaction de la houle avec la bathymétrie. L’approche proposée dans cette thèse est basée sur l’utilisation de la propagation de la houle dans le but d’estimer la profondeur. Dans un premier temps l’utilisation d'un modèle de propagation d'onde à résolution de phase (modèle Boussinesq Ocean & Surf Zone) a permis d'établir, de tester et de mettre au point une méthode d’estimation de la bathymétrie sur plusieurs surfaces libres. Dans des conditions favorables, les images RSO de l’océan peuvent être considérées comme une représentation linéaire de l’état de mer. Dans un second temps, nous avons adapté et appliqué la méthode établie sur le modèle aux images SAR. Des approches simples de fusion de données sont appliquées pour tirer parti de la répétitivité de la mission Sentinel-1. Les résultats obtenus sont en mesure de satisfaire les besoins des acteurs des EMR. Les perspectives de ce travail sont présentées.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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 teacher head, 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".