Application of Machine Learning for Prediction and Monitoring of Manganese Concentration in Soil and Surface Water
Notice bibliographique
Résumé
This study explored the application of machine learning, specifically artificial neural network (ANN), to create prediction models for manganese (Mn) concentration in soil and surface water (SW) on the island province with two open mine pits overflowing to two major rivers that experienced mining disasters. The two ANN models were created to predict Mn concentrations in soil and SW from 12 and 14 input parameters for soil and SW, respectively. These input parameters were extracted from extensive field data collected at the site during sampling program in 2019, 2021, 2022, and initially processed with spatial analysis via geographic information system (GIS). All datasets were then divided for model training and validation, using 85% and 15% ratio, respectively. Performance evaluation of each model with mean absolute percentage error (MAPE) and root mean squared error (RMSE) confirmed the accuracy of both models. The soil Mn model achieved MAPE and RMSE values of 2.01% and 23.98, respectively. The SW Mn model was split into two models based on SW Mn values within the 0–1 mg/L range and >1 mg/L range. The SW Mn model for >1 mg/L performed better with MAPE and RMSE of 4.61% and 0.17, respectively. Feature reduction was also conducted to identify how the models will perform if some input parameters were excluded. Result showed sufficient accuracy can still be obtained with the removal of 4–5 input parameters. This study and these models highlight the benefit of ANN to the scientific community and government units, for predicting Mn concentration, of similar environmental conditions.
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 ».