Who Smells? Forecasting Taste and Odor in a Drinking Water Reservoir
Notice bibliographique
Résumé
Taste and odor problems can impede public trust in drinking water and impose major costs on water utilities. The ability to forecast taste and odor events in source waters, in advance, is shown for the first time in this paper. This could allow water utilities to adapt treatment, and where effective treatment is not available, consumers could be warned. A unique 24-year time series, from an important drinking water reservoir in Saskatchewan, Canada, is used to develop forecasting models of odor using chlorophyll a, turbidity, total phosphorus, temperature, and the following odor producing algae taxa: Anabaena spp., Aphanizemenon spp., Oscillatoria spp., Chlorophyta, Cyclotella spp., and Asterionella spp. We demonstrate, using linear regression and random forest models, that odor events can be forecast at 0-26 week time lags, and that the models are able to capture a significant increase in threshold odor number in the mid-1990 s. Models with a fortnight time-lag show a high predictive capacity (R(2) = 0.71 for random forest; 0.52 for linear regression). Predictive skill declines for time lags from 0 to 15 weeks, then increases again, to R(2) values of 0.61 (random forest) and 0.48 (linear regression) at a 26-week lag. The random forest model is also able to provide accurate forecasting of TON levels requiring treatment 12 weeks in advance-93% true positive rate with a 0% false positive rate. Results of the random forest model demonstrate that phytoplankton taxonomic data outperform chlorophyll a in terms of predictive importance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».