Identification of Potential Quality of Groundwater Using Improved Fuzzy C Means Clustering Method
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
The groundwater quality assessment gained more attention among the water quality management stations and researchers. The conventional water quality index method and artificial neural network models are used to assess groundwater. But these models are inadequate to handle data with uncertainty. In this work, we propose an improved Fuzzy C Means clustering method to identify the homogeneous clusters with respect to groundwater quality. For this purpose 1020 groundwater samples data with 7 physiochemical parameters of the year 2019 are collected from West Godavari, Andhra Pradesh, India. The effectiveness of the proposed clustering method is evaluated with two standard clustering methods namely K-means and Fuzzy C Means. The initial selection of the number of clusters and cluster centers determines the success of both the conventional K Means and Fuzzy C Means clustering methods. The proposed improved Fuzzy C Means method identifies the optimal number of clusters based on the water index value. The proposed improved Fuzzy C Means clustering method is implemented on the groundwater data set. The performance is computed with the help of the silhouette score and Davies Bouldin Index. The proposed clustering method outperforms with the existing K Means and Fuzzy C Means with silhouette score of 0.857 and Davies Bouldin Index value of 0.502 when the number of clusters are 4.
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