Learning from multiple frameworks for aquifer vulnerability mapping and multiple modelling practices in groundwater vulnerability mapping studies
Notice bibliographique
Résumé
Learning from multiple frameworks (MF) in vulnerability mapping of aquifers and from multiple models (MM) is a novel research case tested in this paper by inclusive multiple modelling (IMM) practices. Each framework relates to multiple consensually selected data layers with an appropriate scoring system, which reflects intrinsic variances in the data layers and MF is particularly appropriate to shallow and patchy study areas. The IMM strategy is implemented at three levels: At Level 1, three frameworks (e.g., DRASTIC, SINTACS and GODS) are selected to map the vulnerability of a study area; At Level 2: inclusivity is achieved by employing the modelled output from Level 1 models as inputs for two additional machine learning models (e..g, support vector machine and multilayer perceptron) at Level 2. At Level 3: the outputs from these two models are combined using another model (e.g., random forest). The findings provide evidence that the Level 3 model produces more ‘defensible’ performance metrics by extracting information from all the models at Levels 1 and 2 with a better potential for learning from each output. The modelling results at Level 1 are ‘fit-for-purpose’, those at Level 3 are defensible and those at 2 are in between. For the patchy and shallow study area, the vulnerability maps at the higher level of the strategy are found to be more defensible than those at lower levels.
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 | 0,026 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».