論文の概要: Machine Learning Algorithms to Assess Site Closure Time Frames for Soil and Groundwater Contamination

• arxiv url: http://arxiv.org/abs/2411.10214v2
• Date: Tue, 19 Nov 2024 15:09:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:35:20.594266
• Title: Machine Learning Algorithms to Assess Site Closure Time Frames for Soil and Groundwater Contamination
• Title（参考訳）: 土壌・地下水汚染のための閉鎖時間枠評価のための機械学習アルゴリズム
• Authors: Vu-Anh Le, Haruko Murakami Wainwright, Hansell Gonzalez-Raymat, Carol Eddy-Dilek,
• Abstract要約: この研究は、長期環境モニタリング用に設計されたPythonパッケージであるPyLEnMの機能を拡張する。 我々は,Sr-90やI-129のような汚染物質が規制基準に達するのに必要な時間枠を推定する手法を導入する。 本手法は,Savannah River Site (SRS) F-Areaから得られたデータを用いて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Monitored Natural Attenuation (MNA) is gaining prominence as an effective method for managing soil and groundwater contamination due to its cost-efficiency and minimal environmental disruption. Despite its benefits, MNA necessitates extensive groundwater monitoring to ensure that contaminant levels decrease to meet safety standards. This study expands the capabilities of PyLEnM, a Python package designed for long-term environmental monitoring, by incorporating new algorithms to enhance its predictive and analytical functionalities. We introduce methods to estimate the timeframe required for contaminants like Sr-90 and I-129 to reach regulatory safety standards using linear regression and to forecast future contaminant levels with the Bidirectional Long Short-Term Memory (Bi-LSTM) networks. Additionally, Random Forest regression is employed to identify factors influencing the time to reach safety standards. Our methods are illustrated using data from the Savannah River Site (SRS) F-Area, where preliminary findings reveal a notable downward trend in contaminant levels, with variability linked to initial concentrations and groundwater flow dynamics. The Bi-LSTM model effectively predicts contaminant concentrations for the next four years, demonstrating the potential of advanced time series analysis to improve MNA strategies and reduce reliance on manual groundwater sampling. The code, along with its usage instructions, validation, and requirements, is available at: https://github.com/csplevuanh/pylenm_extension.
• Abstract（参考訳）: モニタリングされた自然減衰(MNA)は, コスト効率と環境破壊の最小化により, 土壌や地下水汚染を効果的に管理する方法として注目されている。 その利点にもかかわらず、MNAは汚染物質レベルが安全基準を満たすために減少することを確実にするために広範囲の地下水モニタリングを必要としている。 本研究では, 長期環境モニタリング用に設計されたPythonパッケージであるPyLEnMの機能を拡張し, 予測機能と解析機能を強化するために, 新たなアルゴリズムを取り入れた。 本稿では,Sr-90やI-129のような汚染物質が線形回帰を用いて規制基準に達するために必要な時間枠を推定し,双方向長短期記憶(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークを用いて将来の汚染物質レベルを予測する手法を提案する。 さらに、ランダムフォレスト回帰(Random Forest regression)は、安全基準に達する時間に影響を与える要因を特定するために使用される。 本手法は, 汚染物質濃度の顕著な下降傾向を示し, 初期濃度と地下水流動の変動が関係しているSavannah River Site (SRS) F-Areaのデータを用いて検討した。 Bi-LSTMモデルは今後4年間の汚染物質濃度を効果的に予測し、高度時系列解析の可能性を示し、MNA戦略を改善し、手動地下水採取への依存を減らす。 コードの使用指示、検証、要件とともに、https://github.com/csplevuanh/pylenm_extension.comで利用可能である。

関連論文リスト

• Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
  継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。 我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。 教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T15:48:40Z)
• Monitoring water contaminants in coastal areas through ML algorithms leveraging atmospherically corrected Sentinel-2 data [3.155658695525581]
  本研究では,CatBoost Machine Learning(ML)とSentinel-2 Level-2Aの高分解能データを統合することにより,濁度汚染をモニタリングする新たなアプローチを開拓した。 従来の方法は労働集約的であり、CatBoostは効率的なソリューションを提供し、予測精度に優れている。 大気補正されたSentinel-2データをGoogle Earth Engine(GEE)を通じて利用することで、スケーラブルで正確な濁度モニタリングに寄与する。
  論文  参考訳（メタデータ） (2024-01-08T10:20:34Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Short-term prediction of stream turbidity using surrogate data and a meta-model approach [0.0]
  本研究では,動的回帰(ARIMA),長期記憶ニューラルネット(LSTM),一般化付加モデル(GAM)を構築・比較し,ストリームの濁度を予測する。 我々は,異なる時間点における各モデルの強みを生かし,その長所を生かしたメタモデルを構築した。 以上の結果から,例えば水中照度などの温度および光関連変数は,費用対効果の高い濁度サロゲートとして期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-11T23:05:32Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Risk Aware Optimization of Water Sensor Placement [0.0]
  センサ毎のデータ構造(時間的ヒートマップの集合)収集シミュレーションを提案する。 我々は問題固有の収束問題を検出する指標を特定する。 ベンチマークと実世界ネットワークの結果を提示します。
  論文  参考訳（メタデータ） (2021-03-08T16:12:02Z)
• Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
  本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。 本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。 平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
  論文  参考訳（メタデータ） (2020-01-16T07:14:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。