Applying Remote Sensing and Artificial Neural Networks for Water Quality Index Modeling in the Euphrates River
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
The Water Quality Index (WQI) is an effective water test that assesses water quality, identifies contaminants, and aids in decision-making.However, it is inefficient to analyze water samples in laboratories due to high costs, time-consuming processes, and limited ability to record temporal or geographical oscillations.Recently, the use of modern technologies such as Remote Sensing (RS) data, Geographic Information Systems (GIS), and Artificial Neural Networks (ANN), in combination with survey data, has confirmed an efficient tool to generate the WQI map of the Euphrates River in Ramadi, Iraq.In the present study, the RS data, such as Landsat 8 and Landsat 9 images, and laboratory tests of samples were used to develop a database for WQI based on spectral reflectance using the radial basis neural network model.The result of this model was then manipulated within ArcGIS 10.8 using the spatial analyst model to generate a digital map of WQI.This model was evaluated using seven criteria, which are correlation coefficient (r), mean absolute error, normalized mean absolute error, lowest absolute error, maximum absolute error, and root square equation of the coefficients (RMSE).The correlation value of the WQI was 0.93, which shows remarkable prediction accuracy.Therefore, this calculation method is effective in calculating the WQI and producing precise digital maps of water quality.
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 | 0,001 | 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 | 0,001 |
| 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 découle