Decoding lake water eutrophication using an innovative dynamic model pool framework in Erhai Lake
Notice bibliographique
Résumé
Rapid global urbanization has led to water eutrophication, threatening the stability of aquatic ecosystems stability. Chlorophyll-a (Chla), a key indicator of algal biomass, is a widely recognized as a metric for eutrophication. However, existing remote sensing retrieval methods face limitations in addressing complex environmental variations. This study developed an innovative Dynamic Model Pool (DMP) framework to optimize water quality prediction performance dynamically. Using Sentinel-2 satellite imagery and monthly in-situ Chla measurement data from Erhai located in Southwest China spanning 2018 to 2020, this study tested the effectiveness of the DMP framework. The results demonstrated that: (1) The DMP framework dynamically selected the optimal model based on data-specific characteristics. In 2018, the CBR model achieved the highest accuracy, while in 2019, GBR and XGBR were the most accurate. In 2020, GBR outperformed other models. (2) Spatiotemporal Chla distribution maps recorded consistently higher concentrations in the south part of lake, while the central part showed minimal level and variation. (3) Seasonal precipitation and temperature variations and policy implementation were key drivers of Chla concentration changes. Seasonal variations in precipitation and temperature collectively influenced the nutrient input and dilution dynamics in Erhai. Meanwhile, policy interventions implemented between 2018 and 2022, such as pollution interception and wastewater treatment, substantially decreased nutrient inflows during flood seasons and effectively limited nutrient accumulation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».