Application of Multidimensional Statistical Methods to the Hydrochemical Study with R Software
Notice bibliographique
Résumé
Conducting extensive, time-consuming analysis campaigns is a typical technique to better understand and manage surface water quality. These usually generate a substantial amount of data that is challenging to comprehend. Principal component analysis may be advantageous for such a project (PCA). From the perspective of such an application, eight physico-chemical parameters are important: Sodium (Na+), Bicarbonate (HCO3-), Magnesium (Mg2+), Total Alkalinity (as CaCO3), Chlorides (Cl-), Potassium (K+), Calcium (Ca2+), Sulfates (SO42-), coming from the analysis of 100 water samples collected between February 2014 and December 2015 on 25 stations distributed on Inaouen catchment areas, were analyzed. The principal component analysis applied to the data showed that the variables could be grouped into two principal components. The interpretation of the results using these tools allowed us to understand that the parameters responsible for water quality are related to component Dim1 (HCO3-, CaCO3, K+, Cl-, Na+ and SO42-) and component Dim2 to the processes associated to (Ca2+ and Mg2+) for the physicochemical parameters, the Dim1 factorial design accounts for 67.80% of the variance; it is expressed towards its positive pole by HCO3-, CaCO3, K+, Cl-, Na+ and SO42-, which present good correlations between them. However, the Dim2 factorial plane represents only 17.60%, defined by the Ca2+ and Mg2+ ions towards its positive pole. The Dim1XDim2 plane's typological structure reveals the individualization of three different groupings based on their hydrochemical quality. A feasible reduction in the number of dimensions without a major loss of information was discovered by the PCA. This tool is a good choice from the standpoint of developing management tools.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».