A Combined Statistical and Machine Learning Approach for Predicting Surface Water Quality in Burkina Faso
Notice bibliographique
Résumé
Surface water in Burkina Faso is essential for domestic use, agriculture, and ecosystem services, yet it is increasingly impacted by human activities and climate variability. This study used the Water Quality Index (WQI), multivariate statistics and a Multilayer Perceptron (MLP) neural network to assess and predict water quality. A total of 139 samples were analyzed for 17 physicochemical parameters. The results revealed slightly alkaline waters ([pH] 6.04–9.23), low-to-moderate mineralization (electric conductivity [EC] 39 – 387 micro siemens per centimeter [µS/cm]; total dissolved solids [TDS] 39 –1100 milligrams per liter [mg/L]), and spatially variable nutrient concentrations (ammonium [NH₄⁺], nitrate [NO₃⁻], and phosphate [PO₄³⁻]), which are indicative of both natural and anthropogenic inputs. Correlation and factor analyses identified three main influences on water quality: geogenic weathering; nutrient and sediment inputs from human activities; and salinity and mineral contributions. MLP modelling showed that deeper architectures with two hidden layers (12, 6 and 12,12) achieved the highest predictive accuracy (R² ≈ 0.825, RMSE ≈ 61, and MAE ≈ 40), and the best model generalized well to test data (R²_(Test) = 0.95, RMSE_(Test) = 37.3). This integrated approach shows the potential for combining statistical analysis and machine learning to monitor, manage, and predict surface water quality in Burkina Faso.
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 | 0,002 | 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 ».