Quantification of Hydrocarbon Contamination in Soil Using Hyperspectral Data and Deep Learning
Notice bibliographique
Résumé
Petroleum and its products undergo large scale production, transportation, and storage which make them prone to spills and leakages into the environment.Petroleum contamination in terrestrial environments, particularly soil bodies, is common and holds major consequences on food and crops, microbial communities, the atmosphere, the water sphere, public health and safety, and the soil itself, and therefore, requires immediate detection and assessment in case contamination is present.In this paper, advanced machine learning methods are used to predict petroleum hydrocarbon contamination in soil using hyperspectral image data.Hyperspectral imaging combines imaging and spectroscopy and can detect petroleum hydrocarbons using the characteristic absorption features in hydrocarbon reflectance spectra.Laboratory prepared soil samples are contaminated with crude oil and scanned with a hyperspectral camera in a laboratory setup.The data collected is used to train deep learning models to predict, quantitatively, the amount of petroleum present in soil samples.To make predictions, a first model is built to use spectral data from a single pixel while a second model is built to use spectral and spatial data by using two adjacent pixel spectra as input.The results show good performance for both models, with the twopixel model achieving a better mean square error of 0.48 on a testing dataset compared to the mean square error of 0.628 for the single pixel model on the same testing data.Therefore, hyperspectral imaging contains valid spectral and spatial information that are beneficial for assessing petroleum contamination in soil with good accuracy.
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 | 0,000 | 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 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 ».