Using Sensors to Identify Point Sources of Pollution in the City of Atlanta’s Combined Sewer System
Notice bibliographique
Résumé
Agencies often look for efficient and inexpensive ways to lower the risk of unauthorized discharges into their combined sewer system, specifically pertaining to water quality monitoring and finding point sources of pollution. The City of Atlanta needs to identify sources of specific pollutants (heavy metals and total dissolved solids) in the stormwater runoff entering the City’s combined sewer system. The traditional approach would be to deploy manual samplers at multiple sites based on potential pollutant sources, such as proximity to an interstate highway or an industrial site, to try to capture samples after a rain event. Although automation exists to collect grab samples, collection at the correct time requires significant coordination around frequent sample collection. This may lead to an unknown probability of success in understanding if and where there is a problem. The City of Atlanta is taking an innovative approach to identify point sources of specific pollutants in stormwater runoff entering the City’s sewers. The City and Stantec collaborated on a solution to preliminarily characterize sites prior to more expensive and expansive sampler deployment. This lower cost solution uses Internet-of-Things sensors to capture electrical conductivity and total dissolved solids water quality readings. Inexpensive sensors captured water quality every 15 min, and the findings indicated where to deploy samplers at sites that warrant further investigation. The project team analyzed the data using Stantec’s Altitude Operational Services Platform to correlate data with rain events. A multi-pronged approach was used for early identification, sensor logistics, sensor calibration, and to show how the technology behind the platform is helping to improve the combined sewer system that 1.2 million people depend on daily. The next steps in this machine learning journey include how predicting pollutant concentrations for future rain events will help to confirm point sources of pollution, how the system reacts during first flush rain events, and understanding impacts on City systems. This is an example of using machine learning to find the right balance of smart sensors to build on the City’s solution to stormwater and wet weather water quality fluctuations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».