MétaCan
Menu
Retour à la cohorte
Enregistrement W258649023 · doi:10.2166/wqrj.2009.006

Street Sweeping as a Method of Source Control for Urban Stormwater Pollution

2009· article· en· W258649023 sur OpenAlexafffundabout
Quintin Rochfort, Kirsten Exall, Jonathan P'ng, Vicky Shi, Vesna Stevanovic-Briatico, Sandra Kok, Jiří Maršálek

Notice bibliographique

RevueWater Quality Research Journal · 2009
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Stormwater Management Solutions
Établissements canadiensToronto Public HealthEnvironment and Climate Change Canada
Organismes subventionnairesGovernment of Canada
Mots-clésStormwaterEnvironmental scienceSurface runoffSedimentPollutionHydrology (agriculture)Environmental engineeringSedimentationFirst flushUrban runoffNonpoint source pollutionGeologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract The effectiveness of street sweeping as a source control measure for stormwater pollution was tested at a site in Toronto, using three types of sweepers employed by the City. A paired-plot experimental design was employed along an arterial road with a traffic volume of 26,000 vehicles/day. Typically, after several days of dry weather, one roadway plot was swept by the available sweeper (treated) and the following plot was left unswept (control). After sweeping, sediment on the roadway was sampled on both plots; wet samples were collected by washing off one half of each plot, and dry samples were collected by vacuum cleaning the remaining halves of both plots. Differences between swept and unswept plots were assessed by comparing: (a) conventional sediment quality parameters, total residue mass, and particle sizes for dry sediment samples, and (b) toxicity, conventional water quality parameters, and particle sizes in wet samples. Results were highly variable and contained large uncertainties. The greatest environmental benefits of sweeping were the reduction of the total mass of sediment on road surfaces and a reduction in some dissolved metals in the runoff (e.g., Cr and Zn).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,590
Score d'incertitude au seuil0,935

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,094
Tête enseignante GPT0,410
Écart entre enseignants0,316 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations19
Publié2009
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWater Quality Research JournalMême sujetUrban Stormwater Management SolutionsTravaux en français237 207