Artificial Neural Network Assessment of Groundwater Quality for Agricultural Use in Babylon City: An Evaluation of Salinity and Ionic Composition
Notice bibliographique
Résumé
In recent years, the decline in the level of Iraq's rivers necessitated groundwater use for irrigation.A data set collected from 111 wells in the Nile region of Babylon City was analyzed in this research to assess whether or not the groundwater is suitable for irrigation.The studied parameters included electrical conductivity, pH, sulfate, chloride, magnesium, calcium, potassium, sodium, nitrate, bicarbonate, and Total Dissolved Solids (TDS).The quantification of water salinity was achieved through statistical analysis of the examined data, as well as the computation of the sodium adsorption ratio (SAR), magnesium adsorption ratio (MAR), and percentage of dissolved sodium (Na%).Statistical packages for the social sciences (SPSS) software were utilized to generate mathematical models that forecast the quality of groundwater suitable for irrigation, employing artificial intelligence in the form of neural networks.The obtained results indicated that a large proportion of samples fall into the undesirable category, and therefore the groundwater in this region is unsuitable for irrigation.In comparison, it was found that the predicted models have high accuracy and coefficients of determination up to 0.984 for TDS, 0.952 for SAR, 0.918 for Na%, and 0.933 for MAR, with a relative error of no more than 0.056.
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 | 0,003 | 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 | 0,001 |
| 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 ».