Comparison of learning models to predict LDPE, PET, and ABS concentrations in beach sediment based on spectral reflectance
Notice bibliographique
Résumé
Microplastic (MP) contamination on land has been estimated to be 32 times higher than in the oceans, and yet there is a distinct lack of research on soil MPs compared to marine MPs. Beaches are bridges between land and ocean and present equally understudied sites of microplastic pollution. Visible-near-infrared (vis-NIR) has been applied successfully for the measurement of reflectance and prediction of low-density polyethylene (LDPE), polyethylene terephthalate (PET), and polyvinyl chloride (PVC) concentrations in soil. The rapidity and precision associated with this method make vis-NIR promising. The present study explores PCA regression and machine learning approaches for developing learning models. First, using a spectroradiometer, the spectral reflectance data was measured from treated beach sediment spiked with virgin microplastic pellets [LDPE, PET, and acrylonitrile butadiene styrene (ABS)]. Using the recorded spectral data, predictive models were developed for each microplastic using both the approaches. Both approaches generated models of good accuracy with R2 values greater than 0.7, root mean squared error (RMSE) values less than 3 and mean absolute error (MAE) < 2.2. Therefore, using this study's method, it is possible to rapidly develop accurate predictive models without the need of comprehensive sample preparation, using the low-cost option ASD HandHeld 2 VNIR Spectroradiometer.
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 | 0,002 | 0,003 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».