MétaCan
Menu
Retour à la cohorte
Enregistrement W4388422134 · doi:10.2166/bgs.2023.036

Impact of de-icing salt runoff in spring on bioretention efficiency

2023· article· en· W4388422134 sur OpenAlexafffund
Henry Béral, Danielle Dagenais, Jacques Brisson, Margit Kõiv‐Vainik

Notice bibliographique

RevueBlue-Green Systems · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Stormwater Management Solutions
Établissements canadiensUniversité de Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaEesti Teadusagentuur
Mots-clésBioretentionEnvironmental scienceSurface runoffStormwaterSalinityEnvironmental engineeringHydrology (agriculture)Ecology

Résumé

récupéré en direct d'OpenAlex

Abstract We investigated the effect of de-icing salt in stormwater runoff on bioretention system hydrology and filtration of contaminants. Salt runoffs during the snow melt period were simulated in 20 mesocosms planted with 1 of 3 plant species (Cornus sericea, Juncus effusus and Iris versicolor) or left unplanted, and then watered with semi-synthetic stormwater runoffs supplemented with 4 NaCl concentrations (0, 250, 1,000 or 4,000 mg Cl/L). All bioretention mesocosms, irrespective of treatment, were efficient in reducing water volume, flow and pollution level. There was no phytotoxic effect of NaCl on plants, even at the highest NaCl concentration tested. Water volume reduction and flow rate were influenced by plant species, but salt concentration had no effect. Salt runoffs significantly increased the removal of some metals, such as Cr, Ni, Pb and Zn, but had no effect on nutrient removal. Because snowmelt laden with de-icing salt is of short duration and occurs during plant dormancy, plants in bioretention may be less affected by de-icing salt than previously thought, provided that salinity decreases rapidly to normal levels in the soil water. The long-term effects of de-icing salt and general performance of bioretention should be further studied under full-scale 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,260
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBlue-Green SystemsMême sujetUrban Stormwater Management SolutionsTravaux en français237 207