Evaluation of long-term water quality trends and CCME-WQI applicability in agricultural watersheds of Korea
Notice bibliographique
Résumé
This study analyzed 10-year (2015 -2024) trends in water quality parameters and the Canadian Council of Ministers of the Environment Water Quality Index (CCME-WQI) across five provinces in Korea.The CCME-WQI analysis indicated that Gangwon-do maintained Fair to Good ratings with high stability, while Gyeonggi-do generally fell within the Marginal range.Chungcheong-do showed persistently low water quality, mostly within the Poor range.Jeolla-do exhibited mostly Poor-level quality, and Gyeongsang-do showed moderate variability with Fair-level quality overall.The nationwide average CCME-WQI was approximately 55.7, indicating a marginal water quality level overall.The coefficient of variation (CV) for CCME-WQI was consistently lower than that of individual parameters, supporting its robustness and representativeness as an integrated indicator.Correlation analysis revealed strong positive relationships between farmland ratio and nutrient-related indicators (e.g., COD Mn , T-P, SS), and significant negative correlations between CCME-WQI and these pollutants (e.g., SS: r = -0.96).Additionally, cumulative precipitation-particularly in Julyshowed stronger negative correlations with CCME-WQI (e.g., July: r = -0.80)than the farmland ratio (r = -0.69),suggesting that hydrological variability may exert a more immediate influence on water quality in agricultural watersheds than static land use patterns.These findings suggest that CCME-WQI is an effective tool for long-term water quality evaluation in agricultural watersheds influenced by non-point source pollution.
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 | 0,008 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».