River salinity mapping through machine learning and statistical modeling using Landsat 8 OLI imagery
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
• Good statistical performance doesn’t ensure uncorrelated residuals, and vice versa. • GBDT outperformed statistical, kernel, and neural network models in salinity mapping. • Karun River salinity increases from Gotvand to Ahvaz, due to agriculture & geology. This study uses Landsat 8 OLI imagery and 102 in situ salinity data points to investigate salinity mapping in the Karun River, southwestern Iran. A total of 24 features, including salinity indices and Landsat 8 OLI spectral bands, were assessed using the Random Forest Feature Importance Score (RFFIS), Sobol’ sensitivity analysis, and correlation with salinity to identify the most sensitive features for salinity estimation. These included the Red and Green bands, Salinity index 2–6, Normalized Suspended Material Index (NSMI), and Enhanced Green Ratio Index (EGRI). A total of 24 regression models, including statistical, kernel-based, Neural Network (NN)-based, and Decision Tree (DT)-based models, were evaluated using statistical error metrics and global, as well as local, Moran’s I measures of residual spatial autocorrelation. The DT-based models, specifically Gradient Boosted DT (GBDT), outperformed other models, demonstrating low errors, bias, and non-significant residual spatial autocorrelation. Kernel-based models performed better than conventional linear models, while NN models tended to underfit. Residual spatial autocorrelation analysis indicated that models incorporating spatial information reduced residual autocorrelation. Landsat 8 OLI imagery effectively mapped salinity dynamics, revealing increased salinity from Gotvand to Ahvaz city due to agricultural activities and the Gachsaran formation within the reservoir.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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