MétaCan
Menu
Retour à la cohorte
Enregistrement W6927420197 · doi:10.25946/28656038

Developing indices for agricultural water quality

2025· dissertation· en· W6927420197 sur OpenAlexaboutno aff

Notice bibliographique

RevueFigshare · 2025
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality and Pollution Assessment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWater qualityAgricultureIndex (typography)Quality (philosophy)Farm waterSanitationSurface waterVariety (cybernetics)

Résumé

récupéré en direct d'OpenAlex

Irrigated crops and livestock depend on the provision of water of a specific quality to thrive. However, water is rarely pure and may contain contaminants from a variety of natural and anthropogenic sources. Every variety of plant or breed of animal can tolerate a different concentration of these contaminants. Water used for agriculture can be tested to ensure these water quality thresholds are not being exceeded, thus ensuring it is fit-for-purpose. It can become complicated to determine this fit-for-purpose as more water quality parameters are considered along with a larger number of crops and stock. An Agricultural use Water Quality Index (AgWQI) is a multi-criteria mathematical method that can be applied in these situations to help simplify the assessment and decision making process. The aim of this research is to identify, describe and assess global examples of AgWQI as well as include a case study applied in the Fitzroy Basin, in Central Queensland, Australia. In this research, global surface water AgWQI methods were identified and assessed using the systematic quantitative literature review technique leading to the identification of 42 relevant AgWQI studies published across 19 countries. This research determined that two underlying WQI methods were adopted in these studies, including the National Sanitation Foundation Water Quality Index (NSF WQI) methodology and the Council of Ministers of the Environment Water Canadian Quality Index (CCME WQI). Studies that utilised the NSF WQI, adopted one of three strategies for parameter weightings (Wi) and eight functions for developing water quality ratings (Qi). One barrier identified in the systematic review was variability in the terms and operators used to describe methods in the 42 different studies. To overcome this barrier, an AgWQI common key was created to facilitate the normalisation of equations presented in the studies reviewed, which in turn enabled a more comprehensive comparative assessment of the various functions used to calculate AgWQI quality ratings. As a result of this research, a 10-step guide has also been developed that can be used by practitioners as a roadmap in AgWQI methodology development and associated reporting. This research also described an AgWQI prepared for the Fitzroy Basin, which adopted the NSF WQI methodology and employed a report card grading system. This AgWQI relied on expert opinion to set parameter Wi and employed two types of Qi ratings depending upon the number of available threshold values relevant to the parameter of interest. The Fitzroy AgWQI reporting confirmed that surface waters are generally suitable for irrigated cropping and stock watering purposes across the 11 catchments, with occasional exceedances. A well-known issue with WQI is eclipsing, which occurs when reporting on multiple indicators leads to parameter exceedances being hidden. Eclipsing was addressed in the Fitzroy AgWQI case study via exception reporting presented alongside the main report card results. Adoption of a tiered reporting structure for this report also helped to alleviate the issue of eclipsing by facilitating deeper exploration of the Fitzroy AgWQI report card results. In the context of increasing water scarcity, the results provide agricultural enterprises, government agencies and agricultural fund managers with an additional stream of data analytics to inform on-farm, policy, and investment decisions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,028
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0130,017
Études des sciences et des technologies0,0010,001
Communication savante0,0040,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,101
Tête enseignante GPT0,362
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetWater Quality and Pollution AssessmentTravaux en français237 207