Evaluating Polynomial, and Gaussian Approaches for Temperature Change Sub Index of Water Quality Index for Smart Environmental Management
Notice bibliographique
Résumé
Water temperature plays a crucial role in aquatic ecosystem health, affecting oxygen solubility, organism metabolism, and overall water quality.This study evaluates Linear Interpolation, Polynomial, and Gaussian Models for predicting the Temperature Change Sub-Index in a Water Quality Index (WQI).Using a dataset from NSF-WQI, we propose a new formula based on polynomial and Gaussian approaches, offering improved accuracy over the traditional linear interpolation method for better water quality assessment.The Gaussian Model 1 emerged as the most accurate, with a 97.54% accuracy and a mean error of 2.46, outperforming the Cubic Polynomial and Fourth-Degree Polynomial Models, which achieved accuracies of 94.60% and 96.03%, respectively.The Gaussian Model's ability to capture peak characteristics and symmetrical declines makes it particularly effective for applications requiring precise water quality predictions.The integration of Gaussian Model 1 into IoT-enabled realtime monitoring systems presents significant potential, enabling continuous, accurate predictions critical for managing sensitive aquatic environments.However, the study acknowledges limitations, including the narrow data range that may limit Model generalizability and the complexity of higher-degree polynomial models, which could reduce practical applicability.Future research should focus on validating these Models across more diverse datasets, exploring hybrid Models that combine Gaussian and polynomial strengths, and enhancing computational efficiency to support broader realtime applications.
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 | 0,001 | 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 | 0,000 |
| 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 ».