Comparison of Artificial Neural network (ANN) models and conventional GIS methods to interpolate high-resolution maps of sediment contamination in the Detroit River
Notice bibliographique
Résumé
Deep learning Artificial Neural Network (DNN) models that included flow velocity, flow directionality, various positional inputs, and sediment total organic carbon (TOC) content as predictor variables were compared to conventional GIS interpolation for predicting sediment contamination of zinc (Zn), mercury (Hg), polychlorinated biphenyls (PCBs), and polycyclic aromatic hydrocarbons (PAHs) in the Detroit River Area of Concern (AOC). A sediment chemistry dataset of 500–850 sampling stations was split into training and validation data across 1000 splits. Universal kriging provided the best interpolation fits relative to other conventional GIS methods including inverse distance weighting and spline fitting. Parsimony-optimized ANN models explained more variation (43.0–58.4%) in validation data splits compared to kriging (19.7– 40.2%) and other GIS approaches. Kriging tended to overestimate contaminant concentrations, especially for areas containing low Hg and PCB levels. ANN performance was improved by adjusting predictions for U.S. restoration areas, non-U.S. restoration areas, and Canadian zones. High-resolution contaminant maps were generated for 9668 cells throughout the AOC. The two approaches showed differences in predicted sediment contamination distribution, with kriging predicting lower river-wide Zn and Hg contamination and higher PCB and PAH contamination. ANNs generated more discrete contaminant hot zones, indicating strong nearshore gradients along the U.S. shoreline and low concentrations in fast moving navigation channels. Given the superior performance of ANNs, this approach was considered a superior interpolation method, with potential applications for guiding future sediment restoration initiatives in the AOC.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».