Demonstration of a Principal Component Analysis Trajectory Method to Assess Bioremediation Progress at a <scp>TCE</scp> ‐Impacted Site
Notice bibliographique
Résumé
Abstract In‐situ bioremediation (ISB) is a popular remediation technology for the treatment of a range of compounds, including chlorinated solvents such as tetrachloroethene and trichloroethene (TCE). Large amounts of data are collected before, during, and after ISB applications to determine amendment approaches, monitor progress and evaluate success. The interpretation of these large datasets can be limited by the tools and techniques used for data analysis, and there is considerable potential in applying data reduction and multivariate techniques used elsewhere to performance monitoring during ISB. In this study, a principal component analysis (PCA) trajectory method was applied to a TCE‐impacted ISB site dataset, as an alternative to the inspection of time series data. The method connected each monitoring well's scores through PCA space to account for temporal changes in multiple analytes across the site. The method was used to separate monitoring well locations into categories that included On‐track and Unsuccessful based on their similarity to background wells in PCA space. The results agreed with those generated using traditional methods (e.g., time series plots) and were able to efficiently summarize large amounts of data to facilitate interpretation. It is expected that this PCA trajectory method could provide a useful screening tool to quickly identify site‐wide trends for the evaluation of ISB performance.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».