Fine scale mapping of water sources in low-income settings: A comparative study in Misungwi, Tanzania
Notice bibliographique
Résumé
Access to safe water, sanitation, and hygiene is a basic human need for health and well-being. Yet, 2.2 billion people globally in 2022 did not have access to safely managed drinking water. Presently there are no publicly available methods for monitoring and measuring access to water sources in low-income settings at a fine spatial scale. The objective of this study was to map and identify areas with improved and unimproved water points in Misungwi, Tanzania using two different methods: 1) community mapping with direct field observations, and 2) drone imagery. We quantified and summarized the number of improved and unimproved water sources, as defined by the WHO/UNICEF Joint Monitoring Programme core questions and noted their specific uses where applicable. We also compared the results of both data collection methods outlining their respective advantages and limitations. The community maps and direct field observations not only served as a method to identify water sources, but also provided insights into how community members used and interacted with each water source. In contrast, the drone imagery only served as a method to systematically identify water sources in the study area. A notable advantage of the drone imagery, however, was its ability to identify more unimproved water sources (225 vs 90) compared to the direct field observations. Both methods were effective in identifying water sources at a fine scale, but the drone imagery involved a more time-intensive process, demanded advanced skills, and incurred a higher cost compared to the community mapping with direct field observations. This study highlights the need for accurate and readily accessible data on water sources which is imperative for planning, developing, and managing improved water sources, especially in underserved areas such as Misungwi, Tanzania.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».