Groundwater vulnerability assessment with using GIS in Hamadan–Bahar plain, Iran
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Vulnerability assessment to delineate areas that are more susceptible to contamination from anthropogenic sources has become an important element for sensible resource management and land use planning. It has been recognized for its ability to delineate areas that are more likely than others to become contaminated as a result of anthropogenic activities near the earth’s surface. The main methods of mapping and assessing intrinsic vulnerability in porous media are the following: SI, GOD, SINTACS and DRASTIC. The basic purpose of these maps is to divide an area into more classes, each of which will represent a different dynamic for a specific purpose and use. These models have been used to map groundwater vulnerability to pollution in Hamadan–Bahar aquifer. The results showed in models of DRASTIC, SI, GOD and SINTACS, respectively, 7.1, 44.21, 29.56 and 20.16 percent of the areas are high potential vulnerabilities. According to the model DRASTIC at study area, 33.6% of has a low class of groundwater vulnerability to contamination, whereas a total of 29.4% of the study area has a moderate vulnerability. The final results indicate that the aquifer system in the interested area is relatively protected from contamination on the groundwater surface. The correlation between models shows that DRASTIC model has the highest CI, which is 141, and the GOD model has the highest CI, which is 139. Also, the highest CI for SINTACS and SI is 137 and 136, respectively. Therefore, DRASTIC model is the best model among these models for predicting groundwater vulnerability in Hamadan–Bahar plain aquifer.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle