Sustainable Groundwater Management in Water-Scarce Regions: A Spatial Machine Learning Analysis from Rajshahi, Bangladesh
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ensuring the availability and sustainable management of water (SDG 6) is particularly challenging in dry regions like Rajshahi, Bangladesh, where communities rely heavily on groundwater with limited recharge potential. Issues such as declining water levels and contamination by iron, arsenic, and chloride compromise both user satisfaction and public health. This study aimed to assess groundwater quality risks through regional mapping to guide the installation depth of new water sources. In collaboration with the Department of Public Health Engineering (DPHE), data were collected from 7,388 tube wells across nine upazilas, including well depth, geographic coordinates, and contaminant concentrations. Water quality was evaluated against World Health Organization and Bangladesh standards. Machine learning (XGBoost) and spatial analysis were applied to model contaminant levels based on location and well depth. An initial model showed poor performance, but after identifying and correcting key errors, the refined model yielded significant improvements: R² increased from 0.0345 to 0.62 for iron, from −0.0015 to 0.38 for arsenic, and from 0.12 to 0.71 for chloride. A comprehensive water quality risk map was developed by integrating these results at the upazila level. This map provides actionable insights for government agencies and NGOs to prioritize areas for water quality testing, remediation, and public awareness initiatives, contributing to more informed and sustainable water resource management in the region.
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.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle