Could we estimate industrial wastewater flows composition using the UN-ISIC classification system?
Notice bibliographique
Résumé
Although we have extensive datasets on the location and typology of industries, we do not know much on their generated and discharged wastewater. This lack of information compromises the achievement of the sustainable development goals focused on water (Sustainable Development Goal 6) in Europe and globally. Thus, our goal was to assess to which degree the chemical composition of industrial wastewater could be estimated based on the industry's typology according to its International Standard Industrial Classification of All Economic Activities (ISIC) class. We collected wastewater effluent water samples from 60 industrial wastewater effluents (before any wastewater treatment process), accounting for 5 samples each of 12 ISIC classes, analyzed the composition of key contaminants (i.e. European Commission rated priority compounds and watchlist), and statistically assessed the similarities and differences amongst ISIC classes using ordination and random forest analyses. The results showed statistically significant linkages between most ISIC classes and the composition of produced wastewater. Among the analytical parameters measured, the random forest methodology allowed identifying a sub-set particularly relevant for classification or eventual contamination prediction based on ISIC class. This is an important applied research topic with strong management implications to (i) determine pollution emission caps for each individual ISIC class, (ii) define monitoring schemes to sample and analyze industrial wastewater, and (iii) enable predicting pollutant loads discharged in river basins with scarce information. These encouraging results urge us to expand our work into other ISIC classes and water quality parameters to draw a full picture of the relationship between ISIC classes and produced wastewater.
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 | 0,000 | 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) | 0,000 | 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 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 ».