Unstructured mesh-based graph neural networks for estimating the spatiotemporal distribution of a human-induced chemical in freshwater
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
Artificial sweeteners such as acesulfame are anthropogenic contaminants increasingly detected in natural waters via wastewater effluents. Numerical models such as HydroGeoSphere (HGS) are widely used to simulate their spatiotemporal transport. However, high computational demands—especially when using unstructured meshes to capture complex geometries—limit their scalability for large-scale or long-term applications. To address this limitation, we developed a mesh-based graph neural network (Mesh-GNN), adapted from MeshGraphNets, to efficiently emulate HGS outputs over unstructured triangular meshes. The model was applied to the upper Grand River, Ontario, Canada, using topographical, geographical, hydrological, hydrometeorological, and wastewater point-source data to estimate acesulfame concentrations. Mesh-GNN retained the node and edge structure of the HGS mesh and enabled rapid inference via message passing. The model training yielded Nash-Sutcliffe Efficiency (NSE) values of 0.93 (spatial split) and 0.86 (temporal split), with corresponding validation NSEs of 0.69 and 0.70. Incorporating field observations with HGS-simulated concentrations improved accuracy at sampling sites by up to 29.7% compared to HGS alone. While HGS solves nonlinear partial differential equations across a three-dimensional watershed-scale mesh (∼3.5 million nodes), requiring several days per simulation, Mesh-GNN operates on a simplified two-dimensional upstream segment (5,755 nodes), enabling inference within seconds. These findings highlight the potential of Mesh-GNN-based surrogate models for efficient and scalable water quality prediction.
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 | 0,000 |
| 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