Övervakad Naturlig Självrening som åtgärdsstrategi på förorenade områden
Bibliographic record
Abstract
Förord Ett av riksdagens miljömål är Giftfri miljö, och i detta mål ingår att efterbehandla och sanera förorenade områden. Brist på kunskap om risker med förorenade områden och hur de bör hanteras har identifierats som hinder för ett effektivt saneringsarbete. Naturvårdsverket har därför initierat kunskapsprogrammet Hållbar Sanering. Föreliggande rapport redovisar projektet ”Övervakad naturlig självrening” som har genomförts inom Hållbar Sanering. Denna rapport är avsedd att ge en introduktion till användandet av Övervakad Naturlig Självrening (ÖNS) som en åtgärdsmetod vid efterbehandling av förorenat grundvatten. Rapporten är riktad till berörda problemägare, myndigheter, konsulter och entreprenörer. Rapporten innehåller en översikt över de viktigaste naturliga självreningsprocesserna för de vanligaste grupperna av organiska och oorganiska ämnen samt en genomgång av metoder för att utvärdera om ÖNS kan beaktas som en tillämplig åtgärdsmetod. De flesta metoder och modeller som redovisas har utvecklats i Nordamerika där användningen av ÖNS är vanlig. Några av angreppssätten tillämpas idag ställvis i Västeuropa. Utvecklingen av både teoretiska och analytiska ÖNS-metoder har skett snabbt under de två senaste decennierna och en förhållandevis intensiv utveckling pågår fortfarande. I rapporten redovisas vidare en arbetsgång för att utvärdera om ÖNS är en tilllämplig åtgärdsmetod för ett givet efterbehandlingsobjekt. Rapporten innehåller också en fallstudie för att exemplifiera hela arbetsgången samt (i bilagor) flera fallstudier som exemplifierar viktiga delar av arbetsgången vid efterbehandlingsprojekt i USA och Danmark. Det är viktigt att framhålla att denna rapport inte kan nyttjas som enda underlag för att genomföra ett ÖNS-projekt. Detta måste baseras på många platsspecifika faktorer. Behandlingstester erfordras ofta, och expertis bör involveras i det slutliga ställningstagandet om ÖNS kan användas eller ej. Det bör dessutom framhållas att den redovisade arbetsgången inte nödvändigtvis passar i alla situationer. Rapporten har tagits fram av SWECO Environment AB (tidigare SWECO VIAK AB) i samverkan med konsultföretagen GeoSyntec, USA/Canada. Även COWI A/S, Danmark har medverkat med exempel på hur ÖNS används i Danmark. De personer som har deltagit i arbetet är Niklas Törneman (projektledare), Lars Karlsson och Peter Englöv, SWECO Environment AB, Evan E. Cox, Neal D. Durant, Carol Azziz, GeoSyntec samt Jarl Dall-Jepsen och Torben Højbjerg Jørgensen, COWI. Kontaktperson för Hållbar Sanering har varit Bo Svensson vid Linköpings universitet. Naturvårdsverket har inte tagit ställning till innehållet i rapporten. Författarna svarar ensamma för innehåll, slutsatser och eventuella rekommendationer. Naturvårdsverket april 2009
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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 teacher head, 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".