A Methodology for Clustering Lakes in Alberta on the basis of Water Quality Parameters
Notice bibliographique
Résumé
Abstract In this study, a methodology for clustering 18 lakes in Alberta, Canada using the data of 19 water quality parameters for a period of 11 years (1988–2002) is presented. The methods consist of (i) principal component analysis (PCA) to determine the dominant water quality parameters, (ii) cluster analysis techniques to develop the characteristics of the clusters, and (iii) pattern‐match lakes to determine the appropriate cluster for each of the lakes. The PCA revealed that three principal components (PCs) were able to explain ∼88% of the variability and the dominant water quality parameters were total dissolved solids, total phosphorus, and chlorophyll‐a. We obtained five clusters for the period 1994–1997 by using the dominant parameters with water quality deteriorating as the cluster number increased from 1 to 5. Upon matching cluster patterns with the entire dataset, it was observed that some of the lakes belonged to the same cluster all the time (e.g., cluster 1 for lakes Elkwater, Gregg, and Jarvis; cluster 3 for Sturgeon; cluster 4 for Moonshine; and cluster 5 for Saskatoon), while others changed with time. This methodology could be applied in other regions of the world to identify the most suitable source waters and prioritize their management. It could be helpful to analyze the natural controlling processes, pollution types, impact of seasonal changes and overall quality of source waters. This methodology could be used for monitoring water bodies in a cost effective and efficient way by sampling only less number of dominant parameters instead of using a large set of parameters.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».