Nutrient Monitoring and Comparison of On-Site Community Science Data Collection Methods for Indigenous Water Protection
Notice bibliographique
Résumé
Excessive nutrient loading in freshwater is a water quality and safety concern for Indigenous communities, especially those with inadequate water treatment. Continuous nutrient monitoring efforts in collaboration with community members require cost-effective but information-rich methods. Data gathered through community-science approaches could enhance source water protection programs and can provide first-hand knowledge and expertise through reciprocal information exchange with local community members. Yet, there are still misconceptions about the validity of data gathered by community scientists. This study validates the use of two inexpensive nutrient monitoring devices (YSI 9500 Photometer and the Nutrient Smartphone App) for community-based environmental research by testing the accuracy of each device, identifying nutrient hotspots, and determining if nutrient concentrations relate to precipitation patterns in a drought-prone region of Saskatchewan within the Lake Winnipeg Basin in Canada. We found that the measurement accuracy of these devices varied depending on the compound tested, with the poorest results for nitrate (r2 = 0.07) and the best results for phosphate (r2 = 0.89) when using the photometer. Seasonal nutrient concentration patterns differed between the years of moderate (2019) and low (2021) precipitation, but there was no correlation between rainfall amounts and nutrient concentrations, suggesting other drivers. This study identifies the strengths and weaknesses of cost-effective nutrient testing devices, guiding continuous monitoring efforts with communities.
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 | 0,017 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».