Uso de Imagens Digitais e Análise de Componentes Principais na Identificação dos Níveis de Cr (VI) em Amostras de Solos
Bibliographic record
Abstract
A proposicao de metodos simples e rapidos para a identificacao dos niveis de Cr (VI) em amostras de solos e desejavel para nortear estrategias de remediacao. O presente trabalho teve como objetivo desenvolver um procedimento para a identificacao de amostras de solos com concentracoes de Cr (VI) superiores aos valores estabelecidos pelas legislacoes internacionais. Uma amostra de solo foi fortificada com concentracoes de Cr (VI) que variaram de 0 a 20 mg kg -1 (total de 61 fortificacoes) e posteriormente submetidas a extracao alcalina. Os extratos foram colocados em placas de Petri, aos quais se adicionou difenilcarbazida 0,2 % (m v -1 ) como reagente colorimetrico e H 2 SO 4 (5 mol L -1 ) para o ajuste do pH. Apos o desenvolvimento da coloracao, as placas foram posicionadas em um scanner comercial e obtidas imagens da parte inferior. As imagens foram tratadas com programas computacionais para calculo dos seguintes descritores de cores (R, G, B, H, S, V, r, g, b e L) e, efetuou-se uma analise por ACP (Analise de componentes principais - Principal Component Analysis ). Houve uma boa separacao entre os valores acima e abaixo da legislacao italiana, a qual define um valor maximo de 2,0 mg kg -1 para Cr (VI). Tambem foram utilizados os valores de Cr (VI) das legislacoes do Canada e da Suecia e, em geral, as imagens permitiram a identificacao dos niveis de Cr (VI) para estes paises. Atraves da analise visual da ACP e possivel afirmar que as imagens digitais sao passiveis de uso para a proposicao de modelos de classificacao. DOI: 10.5935/1984-6835.20130019
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".