Integration of positive matrix factorization and water quality models for pollution source identification and water quality enhancement in rivers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Identifying the primary pollution source poses a challenge in river watersheds characterized by diverse land-cover types and mixed pollution sources. We addressed this challenge by focusing on the major tributaries influencing the water quality of the Mankyung River’s mainstream, successfully identifying the primary pollution source. Additionally, it identified the limiting nutrient for algal growth in the Mankyung River, proposing an alternative strategy to enhance water quality and mitigate algal growth. Positive matrix factorization (PMF) was employed to discern pollution sources in major tributaries, namely Jeonju-cheon and Iksan-cheon, impacting mainstream water quality. For Jeonju-cheon, pollution from urban and agricultural areas, including wastewater treatment plants, emerged as the primary source. For Iksan-cheon, pollution from urban and agricultural areas predominated. The nitrogen-to-phosphorus ratio and correlation analysis revealed that total phosphorus is the limiting factor for algal growth. Furthermore, scenarios to improve water quality and reduce algal growth were developed, and the Environmental Fluid Dynamic Code (EFDC) was used in the simulation, while the Canadian Council of Ministers of the Environment Water Quality Index (CCME WQI) was used in water quality assessment. The findings demonstrated improved water quality and decreased algal blooms in the downstream Mankyung River region. This research provides a foundation for applying PMF, the EFDC, and the WQI in tracking pollution sources and enhancing water quality in rivers.
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.
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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle