Modelling the relationship between catchment attributes and wetland water quality in Japan
Notice bibliographique
Résumé
Abstract The influence of catchment attributes has been examined to find out whether variations in water quality indicators [electrical conductivity (EC), pH, turbidity, dissolved oxygen (DO), total dissolved solid (TDS), total nitrogen (TN), dissolved organic nitrogen (DON), dissolved inorganic nitrogen (DIN), temperature and nitrogen] could be explained by them for 24 wetlands in west Japan. Urban areas (%) were positively ( P ≤ 0.05) correlated with EC ( r = 0.67), TDS ( r = 0.69), TN ( r = 0.92), DON ( r = 0.60), [NH 4 + ] ( r = 0.47) and with [NO 2 − ] ( r = 0.50). Forest areas (%) were inversely ( P ≤ 0.05) correlated with EC ( r = −0.62), TDS ( r = −0.68), TN ( r = −0.68) and [NH 4 + ] ( r = −0.55) and with DON ( r = −0.43). Agricultural area (%) was positively ( P ≤ 0.05) correlated with EC ( r = 0.40), TDS ( r = 0.45), TN ( r = 0.44) and [NH 4 + ] ( r = 0.56) and with both areas (%) of grey lowland soil ( r = 0.60) and diluvial sand ( r = 0.58). Area (%) of regosol was positively correlated with DO (r = 0.42) but inversely with DON ( r = −0.44, P ≤ 0.05). Rhyolite was positively ( P ≤ 0.05) correlated with the TN ( r = 0.46) but inversely with DON ( r = −0.49) and [NH 4 + ] ( r = −0.47). Regression models were developed for the water quality indicators including EC ( r 2 = 0. 62), ( r 2 = 0.90), ( r = 0.52), TN ( r = 0.86), DIN ( r 2 = 0.74) and DON ( r 2 = 0.54) at 0.01 ≤ P ≤ 0.05. In the models, no significant contribution has been observed for catchment geometric features of the wetlands on water quality indicators. Copyright © 2014 John Wiley & Sons, Ltd.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».