Using citizen science to understand river water quality while filling data gaps to meet United Nations Sustainable Development Goal 6 objectives
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».