Providing Water Quality Index for Water use in Agriculture: A Case Study
Notice bibliographique
Résumé
Background: Most countries face water scarcity, population growth, climate change, uneven water distribution, excessive water use, and biological, agricultural, and industrial water pollution. Using wastewater and brackish waterways for cultivation reduces pollution. Polluted water impacts human biology. Thus, they must be adequately studied before irrigating crops. Methods: This study used the analytical hierarchy process (AHP) to assess the quality of nonconventional agricultural waters from the Karaj and Anbaj wastewater treatment plants in Iran. Water quality was evaluated based on 7 primary criteria and 52 sub-criteria. The Canadian Water Quality Index (CWQI) and the proposed model were developed from the measured parameters of the effluent from both the Anbaj and Karaj treatment plants. The data were analyzed using the Expert Choice software. Results: In this study, chloride, fecal coliforms, and intestinal parasite eggs received the highest scores, while arsenic (As) and molybdenum (Mo) were assigned the lowest scores. The findings indicated that the effluent from the Anbaj wastewater treatment plant requires extensive treatment before being suitable for agricultural use. In contrast, the effluent from the Karaj wastewater treatment plant was of moderate quality and requires minimal treatment. This study recommends applying the proposed model to evaluate wastewater quality for agricultural purposes. Conclusion: Researches of soil and wastewater interactions suggests that crops irrigated with wastewater may pose risks to both ecosystems and human health due to physical, chemical, and microbiological factors. These impacts can compromise soil fertility and productivity. Therefore, the use of wastewater in agricultural practices should be implemented with appropriate safeguards.
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 | 0,004 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».