Prediction of Chlorophyll and Phosphorus in Lake Ontario by Ensemble of Neural Network Models
Notice bibliographique
Résumé
Chlorophyll-a (CHLA) and total phosphorous (TP) are key indicators for water quality and eutrophication in lakes. It would be a great help to water management if CHLA and TP could be predicted with certain leading time to ensure water quality control measures could be implemented. Since eutrophication is the results of a complex bio-chemical-physical processes involving in pH, temperature, dissolved oxygen (DO) and many other water quality parameters, the discover of their internal correlations and relationships may help in the predication of CHLA and TP. In this study, a long term (20 years) water quality data including CHLA, TP, total nitrogen (TN), turbidity (TB), sulphate, pH, and DO collected in Lake Ontario by the Environment and Climate Change Canada agency were obtained. These data were analyzed by using a group of Neural Network (NN) models and ensemble strategies were evaluated in this study. One particular ensemble of the following NN models, namely, back propagation, Kohonen, probabilistic neural network (PNN), generalized regression neural network (GRNN), or group method of data handling (GMDH) were selected which has higher goodness of fit and shows robustness in model validation. Comparing with one single NN model, the ensemble model could provide more accurate predictions of CHLA and TP concentration in Lake Ontario and the predication of CHLA and TP would be helpful in lake management, eco-restoration and public health risk assessment.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,000 | 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 ».