Assessment of Multi-Depth Water Quality Dynamics in an Artificial Lake: A Case Study of the Ribnica Reservoir in Serbia
Notice bibliographique
Résumé
High water quality in reservoirs used for drinking water supply and located within protected areas is of crucial importance for sustainable water-resource management. This study aims to evaluate the multi-depth water quality dynamics of the Ribnica Reservoir in western Serbia, combining two standardized assessment tools: the Serbian Water Quality Index (SWQI) and the Canadian Water Quality Index (CWQI). Data collected at various depths during 2021 and 2022 were analyzed to assess physico-chemical parameters and their impact on water quality, while the absence of microbiological data was noted as a limitation affecting the comprehensiveness of the assessment. The SWQI results indicated a general improvement in water quality over time, with values ranging from medium (82) to excellent (95) in 2021 and increasing from good (89) to excellent (98) in 2022. In contrast, the CWQI revealed specific risks, notably elevated concentrations of aluminum, mercury, and chromium, and reduced dissolved oxygen levels, with overall CWQI values ranging from poor (40) to good (88) depending on depth and parameter variability. The study highlights the necessity for continuous, comprehensive monitoring, including microbiological analyses and seasonal assessments, both within the reservoir and in the Crni Rzav River and its tributaries, to better understand pollutant sources and catchment influences. Strengthening microbiological and heavy metal monitoring, along with implementing proactive management strategies, is essential for preserving the Ribnica Reservoir’s ecological integrity and securing its long-term role in drinking water provision.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».