Comparing Deterministic and Stochastic Methods in Geospatial Analysis of Groundwater Fluoride Concentration
Notice bibliographique
Résumé
Dental and skeletal fluorosis caused by consuming high-fluoride groundwater has been reported over several decades globally. Prediction maps to estimate the fluoride contaminated area rely on interpolation methods. This study presents a comparison of the accuracy of nine spatial interpolation methods in predicting the fluoride in groundwater. Leave-one-out cross-validation (LOOCV), hold-out validation and validation with an independent dataset were used to assess the precision of the interpolation methods. This is the first study on fluoride with a large dataset (N = 13,585) applied at the regional level in India. Our findings showed that the inverse distance weighted (IDW) algorithm outperformed other methods in terms of less discrepancy between measured and predicted fluoride. IDW and local polynomial interpolation (LPI) were the only methods to predict contaminated areas (fluoride > 1.5 mg/L). However, the area estimated by the typical assessment of the percentage of unsuitable samples was much higher (6.1%) compared to that estimated by IDW (0.2%) and LPI (0.2%). LOOCV provided viable results than the other two validation methods. Interpolation methods are accompanied with uncertainty which are regulated by the sample size, sample density, sample distribution, minimum and maximum measured concentrations, smoothing and border effects. Drawing a comparison among variegated interpolation methods capturing a wide range of prediction uncertainty is suggested rather than relying on one method exclusively. The high-fluoride areas identified in this study can be used by the Government in planning remediation actions.
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 | 0,008 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».