Évaluation par télédétection de la pollution marine par hydrocarbure au Gabon de 2015 à 2017 : cas de Port-Gentil et Mayumba
Bibliographic record
Abstract
Le Gabon occupe le 5e rang des producteurs pétroliers en Afrique sub-Saharienne. Près de 70% de ses réserves exploitées se situent en milieu off-shore,et il n’est pas rare d’enregistrer des déversements en hydrocarbures en milieu marin causés par cette exploitation pétrolière. Ceci n’est pas sans conséquences pour l’écosystème côtier, et pour l’homme. La surveillance des pollutions peut être abordée par télédétection. La mission Sentinel-1A présente un potentiel pour la détection des déversements en milieu marin et l’avantage de pouvoir opérer de nuit et par temps nuageux.Les résultats obtenus révèlent pour les façades de Port-Gentil et de Mayumba la présence de 154,65 km2 de surface de pollution en hydrocarburesdont 53% à Port-Gentil et 47% à Mayumba. Ces nappes de pollution proviennent à 38% d’opérateur non identifié, 25,66% de TOTAL GabonSA, 16,61% PERENCO Gabon SA, 11,35%, CANADIAN Natural Resources Ltd, 6,54% TREAM Oil Holding, 1,84% VAALCO Gabon (Etame) Inc. Cette étude nous a confirmé la présence des nappes d’hydrocarbures issu de plateformes pétrolière) dans les façades de Port-Gentil et de Mayumba pour la période de 2015 à 2017. Nous soulignons les limites de Sentinel-1A dans la détection des hydrocarbures, ce qui représente un obstacle pour le suivi opérationnel, l’évaluation de la pollution marine en hydrocarbures et l’identification des pollueurs en vue de sauvegarder l’écosystème marin et terrestre.
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 | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 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".