Source Apportionment of Potentially Toxic Elements in Topsoils Across Some Mining-Impacted Communities in Ghana Using the Positive Matrix Factorization Model
Notice bibliographique
Résumé
In this study, we employed the positive matrix factorization receptor model to ascertain whether the prevalence of potentially toxic elements in surface soils of two mining communities in Ghana is exclusive to mining. At the two mining communities (Kenyasi and Obuasi), 49 samples were taken at each location, whereas 90 soil samples were collected from Sunyani, the non-mining community. All the soil samples were screened for elemental concentrations using the Niton XL3t GOLDD+ field portable X-ray fluorescence spectrometer. The positive matrix factorization model was set to three factors in the base model for the analyses, and the receptor model revealed three major contributing factors to the metal pollution in the study areas. Although mining activities contributed to As, Cd, Cu, Ni, and Pb in Kenyasi, a typical mining community, farming activities also contributed significantly to the presence of Zn and Cd in the surface soils. At Obuasi, construction works and geogenic factors were responsible for the enrichment of Cr and Cu in the surface soils, farming activities accounted for the Mn, Pb, and Zn contamination, and As, Cd, and Ni contamination by mining activities. In Sunyani, the non-mining community, the model revealed that the contamination of the soil by Cd, Mn, Ni, and Pb was primarily from multiple sources, such as the mass burning of wastes, farming, and construction works within the municipality. The prevalence of Zn in the municipality was attributed to natural origin since the pollution indices showed low contamination of the metal. This study will serve as a scientific reference for the holistic mitigation of soil heavy metal contamination in the study areas.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».