MétaCan
Menu
Retour à la cohorte
Enregistrement W2922184670 · doi:10.2166/wqrj.2000.023

Urban Oil Spills as a Non-Point Pollution Source in the Golden Horseshoe of Southern Ontario

2000· article· en· W2922184670 sur OpenAlexaffabout
James Li, Peter McAteer

Notice bibliographique

RevueWater Quality Research Journal · 2000
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésEnvironmental sciencePollutionPetroleumOil refineryEnvironmental engineeringHydrology (agriculture)Environmental protectionWaste managementEngineeringEcologyGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Being the economic engine of Canada and the home of 5 million people, the environmental health of the Golden Horseshoe is very important. Among various pollution sources into the lake, urban oil spills as a non-point pollution source have not caught the attention of most residents. These spills can cause terrestrial impacts by poisoning animals and plants, groundwater contamination by infiltration, and surface water pollution by algal bloom and fish kills and destruction of freshwater invertebrates and vertebrates. In order to investigate the significance of this pollution source, 10 years of spill records in the Golden Horseshoe have been compiled. On the average, about 1050 L per day of oil escaped to the land, water and air environment in this region. About one-third of these spills eventually entered Lake Ontario. Among various types of spilled oil, gasoline, diesel fuel, aviation fuel and furnace oil accounted for the highest reported volume. The former Metropolitan Toronto led the frequency and volume of spills, while Hamilton-Wentworth followed closely. Spills frequently occur on roads, at service stations and at electrical transformers, while the highest spill event volumes occur at bulk plants/terminals/depots and at refineries. The predominant causes of spills are related to leaks from containers, pipes and hoses, and cooling systems. However, the principal reasons for oil spills are human error and equipment failure. The transportation, public and petroleum sectors are responsible for 60% of the reported spill cases, while the petroleum sector alone accounts for nearly 50% of the reported spill volume. Given the significant volume of spilled oil, it is important that all levels of government and private industries increase their effort to promote pollution prevention such as preventive maintenance, improved employee training and/or retraining, and proper vigilant supervision. Additionally, control devices such as oil-water interceptors should be sized properly and implemented at strategic location across the Golden Horseshoe.

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)0,007
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,402
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,003

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 Opus0,040
Tête enseignante GPT0,321
Écart entre enseignants0,281 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
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

Citations12
Publié2000
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Quality Research JournalMême sujetOil Spill Detection and MitigationTravaux en français237 207