Integrating unsupervised machine learning, statistical analysis, and Monte Carlo simulation to assess toxic metal contamination and salinization in non-rechargeable aquifers
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
This study presents the first comprehensive evaluation of groundwater quality in Siwa Oasis, Egypt, integrating advanced machine learning and statistical approaches to assess contamination, health risks, and industrial suitability. Thirty samples from the Nubian Sandstone Aquifer (NSAS) and karst springs were analyzed using Self-Organizing Maps (SOM), Principal Component Analysis (PCA), and Canadian Water Quality Index (CCME WQI). SOM clustering revealed three distinct water types: (1) hypersaline springs (TDS >10,000 mg/L) near Siwa Lake, (2) moderately saline springs (4,551–8,885 mg/L), and (3) freshwater NSAS samples (<1,000 mg/L). PCA identified salinity (45.5% variance), carbonate equilibrium (21.3%), and anthropogenic inputs (11.5%) as dominant controls. The CCME WQI classified 28% of samples as "Poor/Marginal," with localized heavy metal (Ba, V) contamination confirmed by MPI and NCI indices. Monte Carlo-based health risk assessment revealed severe non-carcinogenic risks for children (HI >1), primarily from Co (HQ up to 105.5) and V (HQ up to 416.9) via ingestion. Industrial indices (LSI, RSI, CSMR) highlighted scaling potential in freshwater zones (LSI >1.5) and corrosion risks in saline areas (RSI >8). As the first study to: (1) quantify emerging contaminants (V, Co, Mo) in NSAS, (2) apply SOM-PCA-Monte Carlo integration in arid aquifers, and (3) concurrently evaluate health and industrial risks, this work provides a replicable framework for non-renewable aquifer management. Immediate actions targeted remediation, infrastructure protection, and agricultural regulation are recommended in Siwa Oasis. The methodologies and gaps identified including unassessed carcinogenic metals and isotopic tracing set a roadmap for future research in vulnerable aquifer systems.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle