Supervised Classification of Groundwater Potential Mapping Using Integrated Machine Learning and GIS-Based Techniques
Notice bibliographique
Résumé
Addressing the global water depletion challenge, this study integrates five supervised machine learning algorithms (MLAs) with GIS-based techniques to assess groundwater potential.The employed MLAs include Ensemble Boosted Trees (logic-based learners), Naive Bayes (NB; statistical learning algorithms), Support Vector Machines (SVM), Multi-Layer Perceptron (MLP; Artificial Neural Networks), and k-Nearest Neighbors (kNN; instance-based learners).These MLAs were utilized to generate groundwater potential maps (GPMs) based on seven influential variables: aquifer unit types, transmissivity, lineament density, slope, soil type, land use/land cover, and drainage density.Classifier performance was evaluated using metrics such as True Positive Rates (TPR), False Negative Rates (FNR), Positive Predictive Values (PPV), False Discovery Rates (FDR), and the Area Under the Curve (AUC) of Receiver Operating Characteristic (ROC) curves.Results indicate that kNN-based learners outperformed other methods, achieving a validation accuracy of 90.70% and an AUC of 1, which corresponds to 100% accurate predictions.Ensemble Boosted Trees, MLP, SVM, and NB followed, with validation accuracies of 89.7%, 79.4%, 77.6%, and 75.7%, respectively.The methodology developed in this study can be applied to estimate and manage potential groundwater resources in regions facing water scarcity issues.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».