Avaliação sazonal dos índices de qualidade de água dos mananciais afluentes ao reservatório João Leite, no estado de Goiás, Brasil
Bibliographic record
Abstract
A qualidade da água em afluentes de reservatórios de água para abastecimento público deve ser monitorada com atenção especial. Os Índices de Qualidade da Água são ferramentas utilizadas para esse fim, e reconhecidas por serem confiáveis, acessíveis e fornecerem informações importantes aos gestores. Este estudo visou verificar a qualidade da água dos afluentes do ribeirão João Leite, a montante do reservatório, por meio de uma análise espaço-temporal, buscando verificar a influência da sazonalidade no comportamento dos parâmetros físico-químicos e bacteriológicos. Foi aplicado o índice proposto pelo Canadian Council of Ministers of the Environment (IQAC) o qual possibilita a utilização dos valores máximos permitidos pela legislação pertinente. Foram avaliados dez mananciais afluentes do ribeirão João Leite à montante do reservatório de abastecimento público do município de Goiânia, além de três trechos do referido curso d’água. Foram obtidos 26 IQAC, destes 34,61% foram classificados como Excelentes, 38,46% como Bons, 3,84% Regulares e 23,1% Ruins. Dentre as 68 amostras analisadas, 48 (70,58%) delas apresentaram um ou mais parâmetros fora do limite estabelecido pela legislação, sendo que os parâmetros coliformes termotolerantes (72,91%), seguidos de turbidez (14,58%), oxigênio dissolvido (10,41%) e DBO (2,1%) foram os que mais contribuíram para a redução do IQAC. O IQAC mostrou-se eficiente para avaliação da qualidade da água em diferentes pontos de uma bacia hidrográfica. A análise realizada poderá subsidiar ações de gestão das áreas à montante do reservatório João Leite, com especial atenção ao saneamento básico nas áreas urbana e rural que compõem a área estudada.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".