Comparison of Mercury and Lead Sediment Concentrations in Lake Ontario (1968-1998) and Lake Erie (1971–1997/98) using a GIS-Based Kriging Approach
Notice bibliographique
Résumé
Abstract This research analyzed sediment contamination concentrations for mercury and lead in Lakes Ontario and Erie using a GIS-based kriging approach. Environment Canada provided sediment survey data for Lake Ontario (1968 and 1998) and Lake Erie (1971 and 1997/98). Collation and mapping of point measurement data without the application of interpolation methods does not allow for spatial data trends to be fully analyzed. The kriging technique enables the creation of interpolated prediction surfaces, with the advantage that the results can be statistically validated. Although data normality is not required, the kriging results for the historical datasets suggest that it may be desirable, as statistical validity was reduced due to some individual stations having very high contaminant concentrations. Three of the four models developed for the 1997/98 data were statistically valid. For both lakes, the more recent data reveal reduced concentrations of mercury and lead, and there has been an overall reduction in contamination levels. However, sediments in some areas still exceeded Canadian sediment quality guidelines. The areas of greatest sediment contamination in Lake Ontario were within the major depositional basins, presumably as a result of historical industrial activities in watersheds along the southern and western shoreline including the Niagara River. In Lake Erie, areas of greatest sediment contamination continue to be located in the western and south central portions of the lake in proximity to the Detroit River and major urban/industrial centres.
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 | 0,006 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».