Developing a Data-Fused Water Quality Index Based on Artificial Intelligence Models to Mitigate Conflicts between GQI and GWQI
Notice bibliographique
Résumé
The study of groundwater quality is typically conducted using water quality indices such as the Groundwater Quality Index (GQI) or the GroundWater Quality Index (GWQI). The indices are calculated using field data and a scoring system that uses ratios of the constituents to the prescribed standards and weights based on each constituent’s relative importance. The results obtained by this procedure suffer from inherent subjectivity, and consequently may have some conflicts between different water quality indices. An innovative feature drives this research to mitigate the conflicts in the results of GQI and GWQI by using the predictive power of artificial intelligence (AI) models and the integration of multiple water quality indicators into one representative index using the concept of data fusion through the catastrophe theory. This study employed a two-level AI modeling strategy. In Level 1, three indices were calculated: GQI, GWQI, and a data-fusion index based on four pollutants including manganese (Mn), arsenic (As), lead (Pb), and iron (Fe). Further data fusion was applied at Level 2 using supervised learning methods, including Mamdani fuzzy logic (MFL), support vector machine (SVM), artificial neural network (ANN), and random forest (RF), with calculated GQI and GWQI indices at Level 1 as inputs, and data-fused indices target values derived from Level 1 fusion as targets. We applied these methods to the Gulfepe-Zarinabad subbasin in northwest Iran. The results show that all AI models performed reasonably well, and the difference between models was negligible based on the root mean square errors (RMSE), and the coefficient of determination (r2) metrics. RF (r2 = 0.995 and RMSE = 0.006 in the test phase) and MFL (r = 0.921 and RMSE = 0.022 in the test phase) had the best and worst performances, respectively. The results indicate that AI models mitigate the conflicts between GQI and GWQI results. The method presented in this study can also be applied to modeling other aquifers.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».