Non-contact hyperspectral monitoring of urban wastewater quality: Optimization of model calibration and performance
Notice bibliographique
Résumé
Monitoring pollution in urban drainage systems (UDS) is challenging due to their inaccessibility and harsh conditions. Reflectance spectrophotometry has emerged as a promising non-contact technique, but prior studies have largely focused on synthetic wastewaters or single sites. In this work, we evaluate visible and near-infrared hyperspectral imaging for monitoring of turbidity, dissolved organic carbon (DOC), and ammonium nitrogen (NH 4 -N) in raw urban wastewater. We collected samples from five locations, including a stormwater sewer, two foul sewers, and two combined sewers. We used partial least squares regression models to predict pollutants from hyperspectral data. For model calibration, we explored three approaches: local models trained with five to thirty samples from a single site, global models trained on data from all sites but one, and hybrid models combining global models with two to twenty site-specific samples to enhance accuracy. Model performance is in general best for foul sewers, followed by the stormwater sewer, while it is worst for more variable combined sewers. Local calibrations with thirty training samples perform best, with cross-validated median errors of 6.5 % for turbidity, 14.1 % for DOC, and 22.3 % for NH 4 -N. Global models perform satisfactorily only for turbidity, with a median error of 11.8 %. We also showed that model performance for turbidity can be explained by its correlation with reflected light intensity, while performance for DOC and NH 4 -N can mainly be explained by their correlations with turbidity. Overall, these findings demonstrate the potential of (hyper)spectral imaging for low-maintenance, non-contact monitoring of key pollutants in urban drainage systems. • Hyperspectral imaging and data-driven modeling are used to predict water pollutants. • Partial least squares models trained with 30 samples are optimal. • Best models have an accuracy of 6 %, 14 %, and 22 % for turbidity, DOC, and NH 4 -N. • Global models trained with data from four sites predict turbidity at new sites (12 %). • Model performances are higher for less variable foul sewers than combined sewers.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».