Applying Remote Sensing and Artificial Neural Networks for Water Quality Index Modeling in the Euphrates River
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.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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 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 ».