Planteamiento de una metodología para el cálculo de un índice de calidad del agua para el río Machángara, cuenca alta del Guayllabamba
Notice bibliographique
Résumé
El objetivo del proyecto es desarrollar una metodología para el cálculo de un índice de calidad de agua (ICA) para el río Machángara, localizado en la cuenca alta del Guayllabamba, dentro del DMQ, aplicando estadística descriptiva, correlaciones y análisis multivariante. El estudio se llevó a cabo con los datos suministrados por la EPMAPS a partir de campañas de monitoreo mensuales en el río Machángara durante los años 2002 – 2007 en siete estaciones de monitoreo. Para ello, se consolidó la base de datos de los parámetros físico-químicos y bacteriológicos, utilizando herramientas estadísticas descriptivas y análisis clúster jerárquico aglomerativo (CA) para la agrupación de estaciones similares. Para la selección de las variables del ICA se conjugaron criterios estadísticos (análisis de componentes principales y análisis de factores), investigación bibliográfica y análisis de la normativa nacional aplicable. Luego se seleccionó el modelo para el cálculo del ICA, con el que se valoró la calidad del río. Finalmente, se evaluó el ICA adaptado aplicando análisis de sensibilidad y comparándolo con el ICA de la NSF de Estados Unidos. Se obtuvo un ICA conformado por nueve variables, bajo el modelo de la Canadian Council of Ministers of the Environment (CCME), adaptado a la región de estudio.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».