Ultraviolet‐visual spectroscopy estimation of nitrate concentrations in surface waters via machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract High‐frequency acquisition of nutrient concentrations in rivers is needed to generate nutrient loading estimates commensurate with flow and discharge data. Although the combination of field sampling and laboratory analysis is the standard approach to riverine water quality analysis, this strategy is expensive and can miss important storm‐related events. Ultraviolet‐visual (UV–Vis) spectroscopy is widely used in drinking water and wastewater systems for high‐frequency concentration estimates. However, surface waters present a unique challenge as co‐occurring constituents in environmental samples cause spectral interference at the wavelengths used to measure concentrations of dissolved nutrients. Partial least squares regression (PLSR), Lasso regression (Lasso), and stepwise multivariate linear regression (Stepwise) models can be effective predictors of nitrate concentrations using UV–Vis absorbance and are used in many available in‐situ nitrate sensors; however, the proliferation of user‐friendly open‐source machine learning (ML) algorithms offers an opportunity to use sophisticated big‐data techniques to predict nutrient concentrations in surface waters. We collected samples from four rivers across southern Ontario with a variety of nitrate concentrations, flow regimes, and interfering co‐contaminants. We demonstrated that ML applications of random forest and gradient boosting models significantly outperformed PLSR, Lasso, and Stepwise methodologies to estimate nitrate concentrations in complex environmental samples via UV–Vis absorbance. Importantly, ML applications outcompete current models at low concentrations. This new predictive methodology provides regulators and stakeholders an opportunity to establish low cost, continuous monitoring environmental programs using UV–Vis approaches.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 découle