Using citizen science to understand river water quality while filling data gaps to meet United Nations Sustainable Development Goal 6 objectives
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
This study investigates water quality along the river Liffey in Dublin city with the help of citizen scientists, including the community of river users such as paddle boarders and those accessing the river from the bank. The primary objective was to evaluate water quality near sources of pollution observed by citizens, while filling data gaps for the United Nations (UN) Sustainable Development Goal (SDG) 6, Indicator 6.3.2. The participants used field chemistry kits to measure nitrate (NO₃-N) and phosphate (PO₄-P) at 19 locations on a monthly basis over the course of nine months, recording the results on a smartphone app. 10% of nitrate samples were indicative of low quality water values while 35.6% of phosphate samples were indicative of low quality water. Rainfall over the study period was analysed to investigate the impact of run-off from rainwater on the river. Results indicated that excessive rainfall was not a factor in lower water quality in this area. Citizen scientists' observational notes and photographs entered onto the database, with accompanying test results were key to highlighting pollution sources at specific locations which correlated with high levels of nitrate and phosphate resulting in low quality water. Land use was a factor in these areas of recent housing development indicating possible domestic misconnections. Citizen scientist data has the potential to fulfil UN SDG 6, in contributing to Indicator 6.3.2 while detecting contamination.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,010 |
| 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 découle