Transferable soft-sensors for predicting nitrate in diverse watersheds
Notice bibliographique
Résumé
• PR-TR predicts nitrate using minimal data and low-cost surrogate sensors. • Achieved NSE ∼0.51 with only 15 samples when site difference was <100%. • Outperformed ANN and MLR that required >40 samples for similar accuracy. • Identified suitable models without needing nitrate data from new sites. Understanding the spatial and temporal dynamics of nitrates is crucial to mitigate pollution that causes eutrophication and poor aquatic health. However, in-situ sensors for direct nitrate detection are often limited by high costs, frequent maintenance requirements, and low sensitivity. Soft-sensing has emerged as a promising alternative, where nitrates are predicted using surrogate sensors using models or machine learning. This study addresses a central challenge with soft-sensors: their transferability to sites with limited or no training data. We propose a transferable framework that predicts nitrate concentrations using only a small number of training data points together with simple, low-cost sensors such as electrical conductivity, temperature, and turbidity. The approach selects a pre-trained model (PR-TR) from a large model library using only historical surrogate data, with site similarity determined through Euclidean distance and a relative difference metric. For sites with relative differences below 100%, the PR-TR model achieved an average NSE of 0.51 using only 15 data points. For more dissimilar sites, higher data requirements and careful tuning of the learning rate (0.01) were essential, yet PR-TR still outperformed traditional approaches. Compared with artificial neural networks (ANN) and multiple linear regression (MLR), which required more than 40 data points to reach similar performance, PR-TR delivered robust and efficient predictions using significantly fewer data samples. The model selection process identified suitable PR-TR models capable of achieving positive NSE values even without nitrate data from the validation site. These findings demonstrate that PR-TR offers a practical, data-efficient method for reliable water quality monitoring.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».