Ultraviolet‐visual spectroscopy estimation of nitrate concentrations in surface waters via machine learning
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».