Towards a modelling framework for nature-based solutions in wastewater treatment
Notice bibliographique
Résumé
This article presents the authors' perspectives on modelling best practices for nature-based solutions (NBS). The authors led a workshop on NBS modelling as part of the 8th IWA Water Resource Recovery Modelling Seminar (WRRmod2022+) in January 2023, where the discussion centred around the design, use cases, and potential applications of NBS models. Four real-world case studies, encompassing an aerated lagoon, a biofilm-enhanced aerated lagoon, a stormwater basin, and a constructed wetland were reviewed to demonstrate practical applications and challenges in modelling NBS systems. The initial proposed modelling framework was derived from these case studies and encompassed eight sub-models used for these NBS types. The framework was subsequently extended to include eight additional NBS categories, requiring a total of 10 sub-models. In a subsequent step, with a different perspective, the framework was refined to focus on 13 primary use cases of NBS, identifying 10 sub-models needed or potentially required for these specific NBS applications. These frameworks help to identify the necessary sub-models for the NBS system at hand or the use case. This article also discusses the benefits and challenges of applying water resource recovery modelling best practices to NBS, along with recommendations for future research in this area
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».