Szerző dc.contributor.author | Sajedi Hosseini Farzaneh | |
Szerző dc.contributor.author | Choubin Bahram | |
Szerző dc.contributor.author | Bagheri‐Gavkosh Mehdi | |
Szerző dc.contributor.author | Karimi Omid | |
Szerző dc.contributor.author | Taromideh Fereshteh | |
Szerző dc.contributor.author | Mako Csaba | |
Elérhetőség dátuma dc.date.accessioned | 2023-03-30T13:11:50Z | |
Rendelkezésre állás dátuma dc.date.available | 2023-03-30T13:11:50Z | |
Kiadás dc.date.issued | 2022 | |
Issn dc.identifier.issn | 1745-6584 | |
Uri dc.identifier.uri | http://hdl.handle.net/20.500.12944/19992 | |
Kivonat dc.description.abstract | Groundwater pollution susceptibility mapping using parsimonious approaches with limited data is of utmost importance for water resource and health planning, especially in data-scarce regions. Current research assesses groundwater nitrate susceptibility by considering the various combination of explanatory variables. In this study, the novel machine learning models of weighted subspace random forest (WSRF) and generalized additive model using LOESS (GAMLOESS) are applied, and the results are compared with well-known machine learning models of K-nearest neighbors (KKNN) and random forest (RF). The optimum combination of inputs for groundwater nitrate susceptibility mapping is identified using the k -fold cross-validation methodology. Results indicated that the combination of variables of precipitation, groundwater level, and lithology had the best performance among the 16 combinations. Modeling performance using the optimum combination demonstrated that the new ensemble approach, the WSRF model, had superior performance according to the evaluation metrics of accuracy (0.87), kappa (0.73), precision (0.92), false alarm ratio (0.08), and critical success index (0.75). The susceptibility assessment results of this paper can be a useful tool in developing strategies for the prevention and protection of groundwater pollution. | |
Nyelv dc.language | en | |
Kulcsszó dc.subject | Groundwater | |
Kulcsszó dc.subject | Nitrate Contamination | |
Kulcsszó dc.subject | Machine Learning | |
Kulcsszó dc.subject | Ensemble | |
Kulcsszó dc.subject | Susceptibility Assessment | |
Cím dc.title | Susceptibility Assessment of Groundwater Nitrate Contamination Using an Ensemble Machine Learning Approach | |
Típus dc.type | folyóiratcikk | |
Változtatás dátuma dc.date.updated | 2023-02-15T08:49:37Z | |
Változat dc.description.version | kiadói | |
Hozzáférés dc.rights.accessRights | nyílt hozzáférésű | |
Doi azonosító dc.identifier.doi | 10.1111/gwat.13258 | |
Tudományág dc.subject.discipline | Műszaki tudományok/Bio-, Környezet- és vegyészmérnöKi tudományoK | |
Tudományterület dc.subject.sciencebranch | Műszaki tudományok/Bio-, környezet- és vegyészmérnöki tudományok | |
Mtmt azonosító dc.identifier.mtmt | 33115489 | |
Folyóirat dc.identifier.journalTitle | Ground Water | |
Évfolyam dc.identifier.journalVolume | 11 | |
Füzetszám dc.identifier.journalIssueNumber | 14 | |
Terjedelem dc.format.page | 1-7 | |
Wos azonosító dc.identifier.wos | 000862028400001 | |
Scopus azonosító dc.identifier.scopus | 85139023911 | |
Folyóiratcím rövidítve dc.identifier.journalAbbreviatedTitle | GROUNDWATER | |
Kiadás éve dc.description.issuedate | 2022 | |
Szerző intézménye dc.contributor.department | Információs Társadalom Kutatóintézet | |
Szerző intézménye dc.contributor.department | Menedzsment Tanszék | |
Szerző intézménye dc.contributor.department | Közszervezési és Infotechnológiai Tanszék | |
Szerző intézménye dc.contributor.department | Szociológiai Intézet | |
Szerző intézménye dc.contributor.department | Gazdaság- és Regionális Tudományi Doktori Iskola | |
Szerző intézménye dc.contributor.department | Államtudományi és Nemzetközi Tanulmányok Kar | |
Szerző intézménye dc.contributor.department | Kiberbiztonsági Kutatóintézet |