Environmental quality and management of fountains in Latvia
Bibliographic record
Abstract
Maģistra darba nosaukums ir “Latvijas strūklaku vides kvalitāte un apsaimniekošana”. Darba mērķis ir novērtēt Latvijas strūklaku ūdens atbilstību kvalitatīvai videi, noskaidrot strūklaku apsaimniekošanas veidu un tās problēmas, kā arī sniegt rekomendācijas strūklaku apsaimniekošanai. Mērķa sasniegšanai 2016. gada vasarā apsekotas 14 darbojošās strūklakas 13 Latvijas pilsētās, analizēta strūklaku uzbūve un konstrukcija, veikts strūklaku fizikāli-ķīmiskās un bakterioloģiskās kvalitātes novērtējums, izmantojot in situ noteikšanas testus, un, balstoties uz Toronto reģionālās Dabas aizsardzības pārvaldes izstrādāto metodi, noteikta strūklaku ūdens estētiskā kvalitāte. Balstoties uz 2015. gada pētījuma rezultātiem (Krauze, 2015) par Rīgas strūklakām un apmeklētāju skaitu, 2016. gada vasarā īstenots sabiedriskais monitorings biežāk apmeklētajās Kongresu nama un Ziedoņdārza strūklakās, kurā piedalījās Rīgas Valsts 2. ģimnāzijas skolēni. Esošie rezultāti liecina, ka kopumā estētiskā kvalitāte Latvijas strūklakās ir laba. Atsevišķos gadījumos estētisko kvalitāti pazemina strūklaku ūdens duļķainība un tajā esošie atkritumi. Balstoties uz citu valstu izstrādātiem ķīmiskās kvalitātes kritērijiem, novērtēta Latvijas strūklaku ūdens ķīmiskā kvalitāte. Tā daļēji atbilst citās valstīs izstrādātiem kvalitātes kritērijiem strūklaku ķīmiskai kvalitātei. Jūrmalā un Rīgā konstatēta baktēriju klātbūtne, kas potenciāli var ietekmēt atpūtnieku veselību. Lai nodrošinātu strūklaku ūdens kvalitāti un cilvēkiem drošu vidi, sniegtas rekomendācijas Latvijas strūklaku apsaimniekošanai.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".