MétaCan
Menu
Retour à la cohorte
Enregistrement W2161618124 · doi:10.2166/wqrjc.2013.129

Ecological benefit of the road salt code of practice

2013· article· en· W2161618124 sur OpenAlexaffabout
Bruce W. Kilgour, Bahram Gharabaghi, Nandana Perera

Notice bibliographique

RevueWater Quality Research Journal · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSmart Materials for Construction
Établissements canadiensUniversity of Guelph
Organismes subventionnairesU.S. Environmental Protection Agency
Mots-clésEnvironmental scienceRoad surfaceInvertebrateSalt (chemistry)EcologyGeographyEnvironmental protectionEngineeringCivil engineeringBiologyChemistry

Résumé

récupéré en direct d'OpenAlex

Despite an overall increase in total road salt used over the past 14 years (the data record in this manuscript), there has been a 26% reduction in the rate (normalized as tonnes of salt per cm of snow per km of road) of road salt application by the City of Toronto since that city implemented mitigations from the Road Salt Code of Practice. The ecological benefit of the reduced use of road salt was approximated by comparing the estimated 26% salt reduction to the distribution of chloride tolerances that has been recently published by the Canadian Council of Ministers of the Environment (i.e., CCME). Species sensitivity distributions predict that between 1 and 14% of taxa would benefit from a 26% reduction in chloride concentrations in surface waters. Assuming that a typical ‘healthy’ Canadian watercourse might support between 100 and 200 species of fish, invertebrates and plants, the Code of Practice might provide benefit to between 14 and 28 species. However, the net ecological benefit of implementing the Code may be undermined in rapidly urbanizing watersheds where road networks continue to expand at a rate of 3–5% per year and chloride loads to urban streams are steadily increasing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil0,166

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,377
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Quality Research JournalMême sujetSmart Materials for ConstructionTravaux en français237 207