MétaCan
Menu
Retour à la cohorte
Enregistrement W4392469437 · doi:10.2166/wst.2024.069

Profiling wastewater characteristics in intra-urban catchments using online monitoring stations

2024· article· en· W4392469437 sur OpenAlexfundno aff
Lluís Corominas, Ian Zammit, Sergi Bermúdez i Badia, Josep Pueyo‐Ros, Lluís Bosch, Eusebi Calle, David Martínez, Maria José Chesa, Cristian Chincolla, Ariadna Martínez, Anna Llopart-Mascaró, Francisco Javier Varela, Elena Domene, Marta Garcia-Sierra, Xavier Garcia-Acosta, Mar Satorras, Jordi Raich-Montiu, Roger Peris, Raül Horno, Edgar Rubión, Sergi Simón, Marc Ribalta, Ian Palacín

Notice bibliographique

RevueWater Science & Technology · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAir Quality Monitoring and Forecasting
Établissements canadiensnon disponible
Organismes subventionnairesAgència de Gestió d'Ajuts Universitaris i de RecercaGeneralitat de CatalunyaEuropean CommissionHorizon 2020 Framework ProgrammeCentres de Recerca de CatalunyaCanadian Institute for Advanced Research
Mots-clésEnvironmental scienceWastewaterPollutantProfiling (computer programming)Sewage treatmentChemical oxygen demandPollutionHydrology (agriculture)EveningEnvironmental engineeringWater resource managementComputer scienceEngineeringEcology

Résumé

récupéré en direct d'OpenAlex

Abstract This study aims to investigate the differences in intra-urban catchments with different characteristics through real-time wastewater monitoring. Monitoring stations were installed in three neighbourhoods of Barcelona to measure flow, total chemical oxygen demand (COD), pH, conductivity, temperature, and bisulfide (HS-) for 1 year. Typical wastewater profiles were obtained for weekdays, weekends, and holidays in the summer and winter seasons. The results reveal differences in waking up times and evening routines, commuting behaviour during weekends and holidays, and water consumption. The pollutant profiles contribute to a better understanding of pollution generation in households and catchment activities. Flows and COD correlate well at all stations, but there are differences in conductivity and HS- at the station level. The article concludes by discussing the operational experience of the monitoring stations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,356
Score d'incertitude au seuil0,474

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,031
Tête enseignante GPT0,301
Écart entre enseignants0,270 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Science & TechnologyMême sujetAir Quality Monitoring and ForecastingTravaux en français237 207