Evaluating semi-arid lake water quality. A synergy of water quality indices, multivariate statistics and geospatial technology
Notice bibliographique
Résumé
A study was conducted on Gubbi Lake to investigate the water quality using water quality indices (WQI), multivariate statistical technique and geospatial technology.20 lake water samples were collected during premonsoon and post-monsoon seasons for examining physicochemical parameters.The results revealed that Biochemical Oxygen Demand measured in milligram per litre (8.5 mg/l and 5.3 mg/l in pre-monsoon and post-monsoon season respectively) exceeded the normal range of 5 mg/l and ammonia (1.24 mg/l and 0.6 mg/l during pre-monsoon and postmonsoon season respectively) exceeded acceptable limits recommended by the Bureau of Indian Standards in both seasons.The Canadian Council of Ministers of Environment WQI ranged from 66.7 to 81.13 with a recorded mean of 74.22 imparting 'fair' conditions.Apart from Kelly's index, all the irrigation WQIs designated majority of water samples as suitable for irrigation.All the industrial WQIs conveyed the tendency to corrode except Larson and Skold index that indicated corrosion potential.The principal component analysis effectively diminished the complex water analysis dataset into 6 principal components each for pre-monsoon and postmonsoon seasons which explained 87.85 % and 89.80 % of total variance respectively.These components identified the pollution sources as primarily originating from anthropological activities like agricultural runoff, domestic sewage waters and natural weathering of rocks.Hence, the combined approach using above-mentioned methodologies proves to be indispensable in evaluating surface water quality.The findings of this study further underscore the necessity for prompt action by decision makers for well-being of both environment and public health.
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 | 0,002 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».