Identification of odor emission sources in urban areas using machine learning-based classification models
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
Odor-causing substances are generated by various emission sources in urban areas. Recently, urbanization has greatly increased the density of odor emission facilities, implying the identification of odorants emission source is challenging. Identifying emission source is multifactorial, and a machine learning approach is considered useful for these complicated matters. The objectives of this study were to propose a method using machine learning-based classification models to identify odor sources in urban areas. We collected 34,539 data points regarding quantitative data of 22 compounds emitting from 11 types of facilities in urban areas (i.e., automobile industry, bio factory, wastewater treatment plant, landfill, construction site, farm industrial complex area, restaurant, gas station, roadside, park) and odor intensity of these 11 facilities. Decision tree (DT) and random forest (RF) algorithms were used as classification models for identifying odor sources with 23 variables (22 compounds + odor intensity). The DT model identified 7 out of 11 emission sources with 87.15% accuracy. The RF model identified all 11 emission sources with 99.23% accuracy. When including 6 important variables only (i.e., hydrogen sulfide, ammonia, trimethylamine, methyl mercaptan, acetaldehyde, odor intensity) in the RF model, accuracy (99.15%) was almost same with that (99.23%) obtained from all 23 variables included as variables in the model. Our findings imply that a machine learning approach can help to identify odor emission sources with high accuracy and we can save time and cost in the identification of odor emission sources by including the 6 important variables only.
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 | 0,000 | 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