Evaluation and Source Apportionment of Heavy Metals (HMs) in Sewage Sludge of Municipal Wastewater Treatment Plants (WWTPs) in Shanxi, China
Notice bibliographique
Résumé
Heavy metals (HMs) in sewage sludge have become the crucial limiting factors for land use application. Samples were collected and analyzed from 32 waste water treatment plants (WWTPs) in the Shanxi Province, China. HM levels in sewage sludge were assessed. The multivariate statistical method principal component analysis (PCA) was applied to identify the sources of HMs in sewage sludge. HM pollution classes by geochemical accumulation index I(geo) and correlation analyses between HMs were also conducted. HMs were arranged in the following decreasing order of mean concentration: Zn > Cu > Cr > Pb > As > Hg > Cd; the maximum concentrations of all HMs were within the limit of maximum content permitted by Chinese discharge standard. I(geo) classes of HMs pollution in order from most polluted to least were: Cu and Hg pollution were the highest; Cd and Cr pollution were moderate; Zn, As and Pb pollution were the least. Sources of HM contamination in sewage sludge were identified as three components. The primary contaminant source accounting for 35.7% of the total variance was identified as smelting industry, coking plant and traffic sources; the second source accounting for 29.0% of the total variance was distinguished as household and water supply pollution; the smallest of the three sources accounting for 16.2% of the total variance was defined as special industries such as leather tanning, textile manufacturing and chemical processing industries. Source apportionment of HMs in sewage sludge can control HM contamination through suggesting improvements in government policies and industrial processes.
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 | 0,011 | 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) | 0,001 | 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 ».