Assessing Spatiotemporal Water Quality Variations in Polluted Rivers with Uncertain Flow Variations
Notice bibliographique
Résumé
Many rivers in developing countries receive high pollution loads from large cities. Such rivers also experience extreme flow variations due to overexploitation of freshwater resources, poor management practices, and climate change impacts. Consequently, levels of water quality parameters (e.g. biochemical oxygen demand, dissolved oxygen, unionized ammonia, and coliforms) considerably change with the extreme flow variations. The morphology of a river segment also influences the levels of water quality parameters by changing the residence time. For a river, a water quality index is a robust assessment tool to indicate the overall water quality for different segments (e.g. having natural freshwater, receiving single point source loads, and cumulative loads from several outfalls) along the length. The index also captures the impacts of different uncertainties on water quality due to seasonal variations in river flows, hydrodynamics, and pollution loads. Water quality data are scarce in developing countries due to the absence of planned periodic monitoring programs. Type-2 fuzzy sets, an extension of the ordinary fuzzy sets, directly model these uncertainties by providing an additional degree of freedom. Type-2 fuzzy sets improve the specific kind of interface that exists due to increasing uncertainties associated with imprecision in knowledge and vagueness in information due to limited water quality data. Using the triangular type-2 fuzzy sets approach, the index developed in the present work effectively caters for these uncertainties and has proved to be a reliable water quality assessment measure for highly polluted rivers with extreme flow variations in developing countries and elsewhere with similar conditions.
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 | 0,001 | 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) | 0,026 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».