From data to decision: leveraging machine learning and water quality index for groundwater quality evaluation
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
Groundwater quality is critical for sustainable development, serving as a primary source of drinking water and irrigation. The present study employs the machine learning (ML) models to evaluate the water quality index (WQI) in order to enhance the groundwater quality assessment. Forty groundwater samples were collected from six diverse locations and analyzed for seven physicochemical parameters, including pH, Turbidity, CO₂, Chloride, Alkalinity, TDS, and Fe. To improve model generalizability, data augmentation techniques, Gaussian noise and interpolation, expanded the dataset to 120 samples. WQI was computed using the Canadian Council of Ministers of the Environment (CCME) method. Six ML models were employed for predictive analysis and evaluated based on R2, RMSE, and MAE. The results revealed significant contamination, with 25% of samples exceeding acceptable limits for total dissolved solids (TDS), while iron levels averaged 3.01 mg/L, ten times higher than the WHO guideline of 0.3 mg/L. WQI values ranged from 45.89 to 100, classifying most samples as "Fair to Good" but identifying critical degradation in specific areas. Among the six ML models tested, XG-Boost outperformed the others, achieving the highest predictive accuracy (R2 = 0.97, RMSE = 1.72, MAE = 1.38). These findings highlight substantial groundwater contamination risks, particularly from iron and turbidity. This research demonstrates the effectiveness of ML in groundwater quality assessment, providing a scalable decision-support framework for environmental management and policymaking in resource-limited regions.
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 | 0,007 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 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 découle