Geospatial and statistical analysis of anthropogenic groundwater contamination
Bibliographic record
Abstract
On utilise des analyses géospatiales et statistiques pour identifier les zones où il y a des lacunes dans la législation actuelle qui protège les aquifères et pour identifier les sources et les voies de contamination anthropique. On étudie les concentrations de phosphore (P) dans les eaux souterraines et les concentrations de solides dissous to-taux (SDT) dans les eaux souterraines en Californie. Nos résultats guideront les poli-tiques de gestion de durabilité de l'eau et des écosystèmes et informerons futurs ef-forts de surveillance des eaux souterraines. L'excès de P dans les eaux de surface est l'un des principaux responsables de l'eutrophisation, mais la surveillance du P dans les eaux souterraines est négligée car historiquement le P était censé d’être immobile dans les eaux souterraines. On exa-mine le risque que pose le P dans les eaux souterraines pour les eaux de surface et les écosystèmes, on compile et analyse 61 321 mesures de P dans les eaux souter-raines de 12 pays. Ces pays ont des concentrations de P dans ces eaux suffisam-ment élevées pour potentiellement provoquer l’eutrophisation continue des eaux de surface. De plus, on constate qu’au Canada et aux USA, 93% des échantillons de P total (PT) se trouvent à moins de 50 km de cultures/pâturages et qu’il y a une corréla-tion entre la distance des puits de pétrole et de gaz les plus proche et les concentra-tions élevées de PT en Alberta et Ontario (provinces avec une forte densité de puits de pétrole et gaz et de concentrations de PT >0,1 mg P/L). On doit donc étudier le rôle de l'agriculture et des puits de pétrole et gaz sur les impacts du P et d'autres con-taminants sur les eaux souterraines. La synthèse mondiale des données montre l’existence de nombreuses lacunes qui limitent la capacité à évaluer la contamination par le P des eaux souterraines, y compris leurs sources et leurs voies d'accès. Com-prendre les sources et les voies de contamination des eaux souterraines aidera à de meilleurs pratiques de gestion et de protection durables de ces eaux.Les concentrations SDT indiquent la qualité des eaux souterraines. On utilise 216 754 mesures de concentration de SDT des eaux souterraines Californiennes pour examiner l'efficacité de la législation actuelle sur les eaux souterraines en ce qui con-cerne la base d'eau douce (BDD), couramment utilisée pour identifier l'étendue verti-cale dans laquelle les aquifères sont soumis à la gestion des eaux souterraines. La définition d’eau douce varie mais est généralement comprise entre 1 000 et 3 000 mg/L. Nos analyses des tendances dans l'ensemble de données TDS indiquent que nous ne pouvons pas estimer le BDD dans 73% de la Californie. On peut cependant estimer la BDD dans 22% de la vallée centrale, une région agricole clé avec de grandes demandes en eau souterraine et de nombreux bassins d'eau souterraine gra-vement surexploités. Utilisant une limite SDT de 3 000 mg/L, on estime que le BDD la moins profonde se trouve à 155 m sous la surface du sol dans le comté de Kern et la plus profonde à 589 m sous la surface du sol dans le comté de Stanislaus.On démontre que l'analyse géospatiale et statistique sont utiles pour gérer et ana-lyser les données de contamination des eaux souterraines et qu’il y a des opportunités pour améliorer stratégiquement la gestion et surveillance des eaux souterraines, en se concentrant sur le P et le SDT. Les limites de la disponibilité des données sur la quali-té des eaux souterraines rendent la délimitation des eaux souterraines utilisables et l'étendue de la contamination des eaux souterraines difficiles à identifier. De plus, l’établissement d'une gestion des eaux souterraines qui considère et équilibre simulta-nément les impacts des activités agricoles et pétrolières et gazières est nécessaire. Nos résultats aideront à concevoir des programmes et stratégies de gestion des eaux souterraines basés sur les données qui protègent les ressources en eaux souterraines mondiales
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.000 | 0.000 |
| 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".