A methodology for quantifying and characterizing litter from trash capture devices (TCDs) to measure impact and inform upstream solutions
Notice bibliographique
Résumé
Trash capture devices (TCDs) are a rapidly evolving tool for municipal governments, non-governmental organizations, and industries to divert litter from our waterways. Here, we introduce protocols to initiate trash trapping projects to quantify and characterize captured anthropogenic litter based on a case study using Seabins. In addition, we have introduced a network for global data collection via TCDs. Our first protocol is a visual audit of the potential site to inform the type and location for TCD deployment. Our next two protocols quantify and characterize the litter captured by TCDs: (1) a simple protocol intended for daily monitoring and (2) a detailed protocol to characterize and quantify all large debris (>3 cm) and a subset of the small debris (2 mm–3 cm) caught in the devices. Using Seabins in the Toronto Harbour to test our methodology, we found that our subsampling methodology has a 6.9% error rate. Over a 19-week period, the Seabins captured ∼85 000 pieces of small debris. Our study highlights the utility of TCDs and proposes methods to realize this utility globally. TCDs should become more widespread and utilized as a triple threat: a cleanup tool, a data collection tool, and a platform for outreach and education.
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 | 0,000 |
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 ».