Stormwater Databases: NURP, USGS, International BMP Database and NSQD
Notice bibliographique
Résumé
During the past 30 years government agencies, universities and private companies have invested millions of dollars trying to understand the factors that affect the quality of stormwater discharges.Stormwater can pick up dirt, chemicals, and other pollutants that are then discharged to the stormwater drainage system and ultimately discharged to receiving water bodies, usually without any treatment.According to the U.S. EPA, stormwater is one of the major causes of water quality impairment in the nation's rivers, lakes, ocean shorelines, and estuaries.In the U.S., several nationwide monitoring efforts have examined the sources and resulting concentrations of stormwater pollutants.Some of the results of these studies have been stored in electronic databases.For example the International Best Management Practices Database (BMP database) uses a database application to store and retrieve information from different stormwater controls.Another example is the National Stormwater Quality Database (NSQD) that stores some of the reported data from the National Pollutant Discharge Elimination System (NPDES) Phase I stormwater monitoring program in a spreadsheet format.Two previous national stormwater monitoring efforts have included the Nationwide Urban Runoff Program (NURP) finished in 1983 and the USGS urban stormwater database completed in 1987.The results from both of these efforts were stored on magnetic tapes with a proprietary format.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,077 | 0,046 |
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 ».