Assessing the Probable Sources Affecting the Water Quality Index of the Panch Prayag Belt of Uttarakhand, India
Notice bibliographique
Résumé
The Water Quality Index (WQI) is an essential metric for evaluating the usability of surface water resources, particularly in ecologically sensitive and high-demand areas like the Panch Prayag belt of Uttarakhand, India. This region, comprising five major pilgrimage towns—Devaprayag, Nandprayag, Vishnuprayag, Karnaprayag, and Rudraprayag—faces seasonal fluctuations in water quality due to both natural and anthropogenic pressures. In this study, water samples were collected from 2021 to 2023 across pre-monsoon, monsoon, and post-monsoon seasons, and the WQI was computed using the Canadian Water Quality Index (CWQI 1.0). Results revealed that WQI values ranged from 36 to 45 across locations and seasons, with lower values during dry seasons due to increased contaminant concentrations. Regression analysis using ANOVA identified magnesium, chloride, nitrate, and fluoride as key pollutants significantly influencing WQI (F-values > 10 in some locations, with p-values < 0.05), with location-wise R² values ranging from 75.6% (Vishnuprayag) to 93.1% (Rudraprayag). Artificial Neural Network (ANN) models were employed for predictive analysis, achieving high accuracy with R² values exceeding 0.91 and Root Mean Square Error (RMSE) below 0.6. The ANN model demonstrated a strong ability to forecast WQI trends, reinforcing its potential for real-time water quality monitoring. The study provides critical insights into pollution sources and seasonal dynamics, supporting sustainable water resource management in this culturally and environmentally vital 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.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».