The Modeling of a River Impacted with Tailings Mudflows Based on the Differentiation of Spatiotemporal Domains and Assessment of Water–Sediment Interactions Using Machine Learning Approaches

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade de Trás-os-Montes e Alto Douro-
Autor(es): dc.contributorLaboratório de Geoprossessamento-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorCidade Administrativa do Estado de Minas Gerais-
Autor(es): dc.contributorRegional Coordination of Environmental Justice Promoters of the Paranaíba and Baixo Rio Grande River Basins-
Autor(es): dc.creatorMoura, João Paulo-
Autor(es): dc.creatorPacheco, Fernando António Leal-
Autor(es): dc.creatorValle Junior, Renato Farias do-
Autor(es): dc.creatorde Melo Silva, Maytê Maria Abreu Pires-
Autor(es): dc.creatorPissarra, Teresa Cristina Tarlé-
Autor(es): dc.creatorMelo, Marília Carvalho de-
Autor(es): dc.creatorValera, Carlos Alberto-
Autor(es): dc.creatorSanches Fernandes, Luís Filipe-
Autor(es): dc.creatorRolim, Glauco de Souza-
Data de aceite: dc.date.accessioned2025-08-21T22:14:16Z-
Data de disponibilização: dc.date.available2025-08-21T22:14:16Z-
Data de envio: dc.date.issued2025-04-29-
Data de envio: dc.date.issued2024-01-31-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.3390/w16030379-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/300326-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/300326-
Descrição: dc.descriptionThe modeling of metal concentrations in large rivers is complex because the contributing factors are numerous, namely, the variation in metal sources across spatiotemporal domains. By considering both domains, this study modeled metal concentrations derived from the interaction of river water and sediments of contrasting grain size and chemical composition, in regions of contrasting seasonal precipitation. Statistical methods assessed the processes of metal partitioning and transport, while artificial intelligence methods structured the dataset to predict the evolution of metal concentrations as a function of environmental changes. The methodology was applied to the Paraopeba River (Brazil), divided into sectors of coarse aluminum-rich natural sediments and sectors enriched in fine iron- and manganese-rich mine tailings, after the collapse of the B1 dam in Brumadinho, with 85–90% rainfall occurring from October to March. The prediction capacity of the random forest regressor was large for aluminum, iron and manganese concentrations, with average precision > 90% and accuracy < 0.2.-
Descrição: dc.descriptionCITAB—Centro de Investigação e Tecnologias Agroambientais e Biológicas Universidade de Trás-os-Montes e Alto Douro, Ap. 1013-
Descrição: dc.descriptionCQVR—Centro de Química de Vila Real Universidade de Trás-os-Montes e Alto Douro, Ap. 1013-
Descrição: dc.descriptionInstituto Federal do Triângulo Mineiro Laboratório de Geoprossessamento, Campus Uberaba, MG-
Descrição: dc.descriptionFaculdade de Ciências Agrárias e Veterinárias Universidade Estadual Paulista (UNESP), Via de Acesso Prof. Paulo Donato Castellane, s/n, SP-
Descrição: dc.descriptionSecretaria de Estado de Meio Ambiente e Desenvolvimento Sustentável Cidade Administrativa do Estado de Minas Gerais, Rodovia João Paulo II, 4143, Bairro Serra Verde, MG-
Descrição: dc.descriptionRegional Coordination of Environmental Justice Promoters of the Paranaíba and Baixo Rio Grande River Basins, Rua Coronel Antônio Rios, 951, MG-
Descrição: dc.descriptionFaculdade de Ciências Agrárias e Veterinárias Universidade Estadual Paulista (UNESP), Via de Acesso Prof. Paulo Donato Castellane, s/n, SP-
Idioma: dc.languageen-
Relação: dc.relationWater (Switzerland)-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectmachine learning prediction-
Palavras-chave: dc.subjectmetals-
Palavras-chave: dc.subjectriver-
Palavras-chave: dc.subjectsediment source-
Palavras-chave: dc.subjectspatiotemporal domain-
Título: dc.titleThe Modeling of a River Impacted with Tailings Mudflows Based on the Differentiation of Spatiotemporal Domains and Assessment of Water–Sediment Interactions Using Machine Learning Approaches-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.