Cyanobacteria Monitoring and Cyanotoxin Management in Drinking Water Treatment Plants
Notice bibliographique
Résumé
This thesis examines three aspects of toxic cyanobacteria with respect to drinking water treatment plants: risk, monitoring, and treatment. Previous work shows that cyanobacteria cells can accumulate to high concentrations inside treatment plants, potentially rupture, and release their toxins. Therefore, accumulation in four Great Lakes region treatment plants was assessed, revealing that accumulation was generally minimal for plants experiencing low levels of cyanobacteria but could be significant for plants where cyanobacteria blooms occur in their source water. Drinking water utilities susceptible to harmful algal blooms need to be able to detect the onset of a bloom to implement management strategies. One way to monitor cyanobacterial activity is to use fluorescence-based probes that measure phycocyanin, a pigment specific to cyanobacteria. The conventional approach in the literature is to correlate phycocyanin fluorescence measurements to independent measures of cyanobacteria cell counts to use fluorescence to estimate the influx of cells, but most utilities do not measure cell counts, so this approach cannot be applied at all sites. This research explored machine learning for anomaly detection in phycocyanin fluorescence data without the need for corresponding cell counts. Two models were identified with an average accuracy of 86% to correctly predict elevated cyanobacterial activity in four data sites when trained on 2014-2018 data and tested on 2019 monitoring data. Therefore, this research has resulted in a potentially useful tool for drinking water utilities to use to improve their cyanobacteria monitoring strategies. When a utility is faced with cyanotoxins in their raw water, various treatment methods may be used to degrade them, each with its own advantages and limitations. Peracetic acid has recently emerged as a potential oxidant for water treatment, but its ability to degrade cyanotoxins has not been assessed with or without ultraviolet (UV) light for advanced oxidation. This research evaluates the degradation of two microcystins by UV only, peracetic acid only, and UV with peracetic acid. The results show that the combined process is as effective as or better than conventional advanced oxidation processes under typical water quality conditions. These findings support the potential future adoption of peracetic acid in water treatment plants.
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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».