Soil contamination sampling intensity: determining accuracy and confidence using a Monte Carlo simulation
Notice bibliographique
Résumé
Soil pollution is an extensive global problem, and effective management depends on accurate characterization and mapping of the extent of soil contamination. The objectives of this study were to determine the accuracy of different sampling intensities and the optimal number of samples required to minimize remediation project costs. To determine the accuracy associated with different sampling intensities, a Monte Carlo simulation was conducted. A simulated contaminant plume was created based on inverse distance weighting, kriging, or multivariate adaptive regression splines. Different sampling intensities, with grid spacing ranging from approximately 10% to 50% of the site extent, were used to generate a plume map using random forest model with a Euclidean distance matrix as predictors. The relative error was then determined as part of a Monte Carlo simulation that ran 10 000 simulations for each grid intensity for a total of 90 000 simulations. The optimal number of samples was determined based on economic factors, and the error functions generated with the Monte Carlo simulations. Average error ranged from 57% for 25 data points to 5% for 2800 data points. The 90th percentile error ranged from 100% to 0.3% for the sample data point range. Based on these results, the optimal number of samples, depending on pricing, ranged from 31 samples for a 10 m3 contaminant plume to 3475 samples for a 10 000 m3 soil contaminant plume.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,122 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».