Tigris River water surface quality monitoring using remote sensing data and GIS techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Remote sensing and GIS technologies help in decision-making processes to reduce pollution and treatment time. In this study, we aim to investigate using remote sensing data in predicting water quality parameters of the Tigris River. Our approach involves the development of mathematical and statistical models that leverage satellite imagery to predict relevant water parameters. Over 2018 and 2019, fourteen different locations along the Tigris River were surveyed. Measurements for eight parameters were collected simultaneously with satellite images at each location. These parameters included temperature (Temp), electrical conductivity, total dissolved solids (TDS), pH, turbidity, chlorophyll A, blue-green algae, and dissolved oxygen. The spectral bands from Landsat 8 images and spectral indices of soil, vegetation, and water were adjusted as a preprocessing step. Spectral bands and indices were then implemented in the least absolute shrinkage and selection operator (LASSO) to predict the eight water parameters. The evaluation of the prediction model showed that the LASSO model has a determination coefficient (R2) of more than 0.8 for pH and Temp, and the minimum R2 of 0.52 was for TDS. It was found that incorporating spectral indices, as additional features in the prediction models, has significantly improved the models' performance, as demonstrated by an average R2 of 0.7 compared to 0.42 when using spectral bands only. The predictive model for each parameter provided cost-effective alternatives to frequent monitoring of Tigris water quality using field data. The predicted parameters were then utilized to calculate the water quality index (WQI) to indicate water quality along the river. The WQI showed that the river had poor water quality during the year except for April and June, which was very poor. This information will be beneficial in enforcing standards and controlling pollution activities in the study region.
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.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle