“Spatial Data Analysis for Ground Water Quality Assessment With Special Reference to Fluoride” - A Case Study of Dhar District, Madhya Pradesh, India
Notice bibliographique
Résumé
Water is a prime natural resource and physiological necessity to mankind. Therefore, drinking water must not carry harmful chemicals as well as biological contaminants for the well-being and human health. Some of the chemicals like Fluoride, Iron, Arsenic, Cadmium, Chromium, Lead, selenium, and Nitrate in water may produce serious physiological changes when exist beyond permissible concentration. The Aim of the study was to create spatial map for drinking water purpose for Dhar district, MP. The ground water quality data were collected from PHED, M.P. and IMIS (Ministry of Drinking water & Sanitation) Website,Government of India. The GWQ layers were created separately for each element for Pre-Monsoon and Post-Monsoon period from the well point layers with interpolation technique. Each element wise layer has been categorised into `three catagories (1) potable water in Desirable limits (2) Potable water in permissible limits (3) non-potable ground water, as per BIS standard, 2015. The Union of eight element layers of each pre-monsoon and post-monsoon has been done and integrated pre-monsoon and Integrated post-monsoon Ground Water Quality (GWQ) map have been prepared and after the Union of these two maps, the Final ground water quality map has been prepared. It was concluded from the study, that multiple parameters are affecting the quality of ground water in Dhar district and particularly excess Fluoride, Nitrate, Total Hardness (as Caco3), Iron, pH, and Total Dissolve solids are prevalent in the area. About 69.66% Habitation of Dhar district is severely affected mainly by excess of Fluoride, Nitrate & Total Hardness (as Caco3), pH & Iron(Fe) & It is observed that about 70.51% area of Dhar district has been affected in terms of Ground Water Quality.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».