Water Quality Index: A Fuzzy River-Pollution Decision Support Expert System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Water quality management policies, which are proposed to prevent, control, or treat environmental problems related to quality of water, are broad and complex issues. We have various types of water resources, different water uses, and a lot of decision parameters with several levels of decision makers involved. Moreover, there are a lot of strategies and technologies available to be applied for water quality management and so environmental decision makers are required to evaluate and prioritize them in order to choose the best possible plan for each particular problem. To provide a comprehensive but easy to use tool in the assessment and evaluation of water quality policies, the concept of water quality index (WQI) has been developed. Due to the abovementioned complexities, to get this index, there is a need for a methodology to not only structure and identify information relevant to the problem but also to help users reach a decision. Designing a multiple-attribute decision support expert system, which makes expert knowledge available to nonexpert users, can do this. In doing so, we may encounter qualitative or linguistic assessments in the index making process. Thus, fuzzy set theory can be applied to recognize this inherent fuzziness of such a process. Briefly, in this study we propose a fuzzy multiple-attribute decision support expert system to compute the water quality index and to provide an outline for the prioritization of alternative plans based on the amount of improvements in WQI. At the end, applicability and usefulness of the proposed methodology is revealed by a case study.
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.
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 | 0,019 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle