Application of Receptor Models on Surface Water Quality and Source Apportionment
Notice bibliographique
Résumé
Surface water plays an important role in carrying off different water wastes thereby affecting water quality used for different purposes. The Receptor Model (RM) development as a technique in the management of River water was used in this study, in identifying, separating and quantifying the major sources of water wastes flowing into River Musa, Bida, Nigeria. Twelve water variables were used in Principal Component Analysis. The generated variables of loaded components were used as independent variables and the Water Quality Index (WQI) as the dependent variable to estimate the quantity of identified pollutants sources using the Multiple Linear Regression Model (MLR). According to Canadian Council Ministers of Environments Water Quality Index (CCME WQI), the results determined for the five sample stations (Edokota location, Musa bridge location, Bida/Minna location, Ciriko location and Army Barrack location) were 74.4, 72.8, 64.6, 47.6, and 51.6 respectively. Among the five locations, three were investigated to be marginal and the remaining two were fair in rank. The principal component analysis (PCA) was adopted to separate the identified three major waste sources flowing into the river to be agricultural, municipal and industrial wastes. Pollutant levels were determined to be 0.936, 0.457 and 0.104 using RM at a high value of R2 (0.911). Agricultural waste was predicted to be the strongest pollutant contributor in the model, followed by municipal and the least contributor is industrial waste. It is strongly recommended that periodic monitoring and evaluation of the river water quality is carried out within the study area using the receptor model
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 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 | 0,002 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».