Prediction of Pb and Zn in urban soil using VIS-NIR-SWIR spectroscopy
Notice bibliographique
Résumé
Heavy metals serve as a subset of chemical elements with higher density than iron. Besides, these environmental pollutants are constant and nonbiodegradable elements that can cause toxicity and genetic mutations to the live cells. Depending on the study area, an increase in soil heavy metals from a specific level often created by human activities can lead to many adverse effects on individuals, soil, and plants. In case of their existence in the food chain or transfer to groundwater resources, human health is seriously threatened. Over numerous years, being affected by a colossal number of pollutant resources such as world war and household waste, industry, transportation systems, and urbanization has changed Berlin to a city at risk of soil pollution by heavy metals. That is why carrying out a study on heavy metals in this city is of great significance. Chemical analysis is the first and most traditional ways to measure soil heavy metals. Despite high precision, this method is complicated, time-consuming, costly, and ineffective on a large scale. However, the spectral data facilitates the rapid and cost-effective assessment of these elements. Therefore, in this study, the ability of spectral data to predict heavy metals in Berlin’s soil is examined.When it comes to the data required, there are two categories: 1) heavy metals (Pb and Zn) related to more than 600 soil samples collected from 2016 to 2018 and measured in the laboratory, and 2) the spectral data measured for each sample in the range between 350 to 2500nm in a spectrometry lab. All data is divided into training (80%) and testing (20%) to reach this aim. Next, the first group is used to train the machine learning algorithms, including partial least square regression (PLSR), support vector regression (SVR), and random forest (RF). Moreover, the second group is used to test the models. Finally, the accuracy of models is evaluated by correlation of determination (R2), and Root mean square error (MSE). As a part of the results, R2 and MSE were achieved 0.25, and 4394.45 for Pb, and 0.18 and 6558.49 for Zn.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».