Ифлоскунандаҳои нав яке аз душвортарин соҳаҳо барои тарҳҳои классикии тозакунии обҳои партов мебошанд. Антибиотикҳо, пайвастагиҳои халалрасони эндокринӣ, ифлоскунандаҳои органикии устувор, микропластикҳо ва моддаҳои хеле устувор чун PFAS ҳатто дар консентратсияҳои паст метавонанд барои экология ва саломатии инсон муҳим бошанд. Баъзе аз ин ифлоскунандаҳо метавонанд ба системаҳои гормонӣ таъсир расонанд, баъзе хавфи паҳншавии генҳои муқовимат ба антибиотикҳоро зиёд кунанд, баъзеи дигар дар муҳит муддати дароз боқӣ монда, ба занҷири ғизоӣ гузаранд.

Системаҳои анъанавии тозакунии обҳои партов барои параметрҳои классикӣ, мисли organic load, suspended solids, nitrogen ва phosphorus тарҳрезӣ шудаанд. Аммо emerging pollutants сохторҳои химиявии хеле гуногун, solubility-и гуногун, рафтори гуногуни degradation ва роҳҳои гуногуни transport доранд. Аз ин рӯ, хуб кам кардани classic water-quality parameters аз тарафи як система маънои онро надорад, ки он барои antibiotics, microplastics ё endocrine-disrupting compounds низ ҳамон дараҷаи муваффақиятро нишон медиҳад.

Constructed wetlands дар ҳамин нуқта ҳамчун nature-based solution баромад мекунанд. Дар ин системаҳо wastewater бо растаниҳо, substrate/matrix materials, microorganisms ва hydraulic-flow conditions мутақобила мекунад. Removal-и pollutant бо як механизм не, балки бо омезиши бисёр раванд ба амал меояд. Дар таҳқиқот аз ҷумла matrix filtration, gravitational sedimentation, physical adsorption, plant uptake, microbial transformation and degradation ва hydraulic buffering номбар мешаванд.

Аммо аҳамияти ин механизмҳо барои ҳар pollutant гуногун аст. Microplastics аксаран бо physical retention, filtration ва sedimentation кам мешаванд. Баръакс, dissolved organic pollutants чун antibiotics ва endocrine disruptors бештар ба substrate adsorption capacity, redox gradients, microbial-community structure, temperature ва chemistry-и wastewater вобастаанд. Аз ин рӯ, мувофиқи натиҷаҳои таҳқиқот, як ҷумлаи ягонаи “constructed wetlands emerging pollutants-ро ба ҳамин фоиз хориҷ мекунанд” метавонад фиребанда бошад.

Масъалаи асосии таҳқиқот аз ҳамин ҷо оғоз мешавад: дар literature таҷриба ва observations бисёранд, аммо ин data мустақиман ба ҳам монанд нестанд. Як study метавонад дар laboratory scale бо synthetic wastewater кор кунад, дигаре дар full-scale system бо domestic wastewater ё leachate. Дар як study microplastics, дар дигар antibiotics ва дар дигаре persistent organic pollutants омӯхта шуда метавонанд. Баъзе studies plant species-и гуногун, баъзеи дигар flow regimes ё substrates-и гуногун истифода мекунанд.

Муҳимтар аз ин, дар як paper метавонад якчанд pollutant, sampling point, wetland cell ё operating condition мавҷуд бошад. Агар ҳамаи ин measurements ҳамчун independent observations таҳлил шаванд, sample size ба таври сунъӣ калон мешавад. Ин uncertainty-ро хурдтар аз воқеият нишон медиҳад ва results аз ҳад зиёд precise менамоянд. Яке аз ҷиҳатҳои муҳимтарини statistical-и таҳқиқот он аст, ки ин dependence-ро ба назар мегирад.

Муаллифон бо пайравӣ аз PRISMA 2020 reporting guideline studies-и нашршуда пеш аз August 2025-ро дар Web of Science ва ScienceDirect ҷустуҷӯ кардаанд. Дар аввал 674 record аз database searches ва 135 record аз other routes муайян шуданд; пас аз хориҷ кардани duplicates, title-abstract screening ва full-text eligibility assessment, 67 study ба meta-analysis дохил карда шуданд. PRISMA flow diagram дар Figure 1 ин elimination process-ро визуалӣ нишон медиҳад. Панелҳои дигари ҳамин figure нишон медиҳанд, ки distribution-и included data аз рӯи wetland types ва wastewater sources balanced нест.

Table 1 нишон медиҳад, ки кадом wetland-level variables аз studies гирифта шудаанд. Ба инҳо wetland type, design and loading parameters, plant characteristics, substrate characteristics, operational parameters ва conventional water-quality indicators дохил мешаванд. Масалан, wetland types аз vertical subsurface-flow systems, horizontal subsurface-flow systems, mixed-flow systems, surface-flow systems ва upward vertical subsurface-flow systems иборатанд. Operational variables бошанд hydraulic retention time, hydraulic loading rate, flow rate ва operating temperature-ро дар бар мегиранд.

Main effect size-и таҳқиқот lnRR, яъне natural-log response ratio мебошад:

\[ \ln RR = \ln\left(\frac{C_{out}}{C_{in}}\right) \]

Дар ин формула C_out emerging-pollutant concentration дар effluent ва C_in concentration дар influent мебошад. Агар [ \ln RR < 0 ] бошад, effluent concentration аз influent пасттар аст; яъне система pollutant-ро кам кардааст. Агар [ \ln RR > 0 ] бошад, effluent concentration аз influent баландтар аст; ин метавонад net increase, release, measurement variability ё hydraulic/analytical causes-ро нишон диҳад.

Маънои ҳаррӯзаи formula оддӣ аст: pollutant, ки аз система мебарояд, нисбат ба миқдори воридшуда чӣ қадар кам ё зиёд аст? Аммо истифодаи logarithm concentrations-и дорои чанд order of magnitude фарқро муқоисашаванда мегардонад. Масалан, муқоисаи мустақими pollutant-и дорои ng/L-и хеле паст бо pollutant-и консентратсияи баландтар тавассути percent removal метавонад misleading бошад; lnRR ин differences-ро ба effect size-и устувортар табдил медиҳад.

Барои sampling variance delta method истифода мешавад:

\[ V(\ln RR) = \frac{S_{out}^2}{n_{out} C_{out}^2} + \frac{S_{in}^2}{n_{in} C_{in}^2} \]

Дар ин ҷо S_out ва S_in standard deviations-и effluent ва influent concentrations; n_out ва n_in corresponding sample sizes мебошанд. Ин formula нишон медиҳад, ки uncertainty дар influent ва effluent measurements чӣ гуна ба lnRR effect size интиқол меёбад. Таҳқиқот қайд мекунад, ки дар paired measurements correlation байни influent ва effluent метавонад вуҷуд дошта бошад; аммо вақте correlation reported нашудааст, variance formula-и истифодашуда дар ҳолати positive correlation метавонад conservativeтар бошад.

Дар studies, ки standard error гузориш шудааст, барои табдил ба standard deviation муносибати зерин дода мешавад:

\[ SD = n \times SE \]

Дар ин ҷо SD standard deviation, SE standard error ва n sample size мебошанд. Ин conversion барои ҷойгир кардани results-и studies-и гуногун дар як meta-analytic framework истифода мешавад.

Дар meta-regression equation-и таҳқиқот relationship байни effect size ва covariates чунин нишон дода мешавад:

\[ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \epsilon_i \]

Дар ин ҷо Y_i effect size-и observation ё study i; X_1i ва X_2i experimental ё operational variables; β coefficients relationship-и ин variables бо effect size; ва ε_i residual error term мебошанд.

Дар ҳамин ҷо як statistical choice-и хеле муҳим мавҷуд аст: ба ҷойи simple meta-analysis, multilevel random-effects model ва study-level cluster-robust variance estimation истифода шудааст. Зеро multiple effect sizes аз як study independent нестанд. Масалан, агар дар як experimental setup ҳам antibiotic ва ҳам endocrine disruptor чен шуда бошад, ин observations common design, laboratory conditions ва measurement errors доранд. Игнор кардани ин dependence results-ро аз воқеият preciseтар нишон медиҳад.

Аввалин натиҷаи бузурги таҳқиқот ин аст, ки heterogeneity дар database ниҳоят баланд мебошад:

\[ I^2 \approx 99\% \]

I² нишон медиҳад, ки чӣ қадар аз total observed variation-ро на танҳо sampling error, балки real between-study differences шарҳ медиҳанд. Қимати наздик ба %99 пешниҳод мекунад, ки қариб тамоми variation аз real contextual differences меояд. Аз ҳамин сабаб таҳқиқот ба ҷойи як overall average ба subgroups, interactions ва context-specific performance envelopes диққат медиҳад.

Figure 2 барои фаҳмидани distribution-и database муҳим аст. Influent ва effluent concentrations ба чанд order of magnitude паҳн мешаванд. Дар removal-rate distribution аксари observations removal-и зиёда аз %50 нишон медиҳанд, аммо negative removal values ҳам мавҷуданд. Ин negative values метавонад net release, concentration increase, analytical uncertainty ё hydraulic variability-ро нишон диҳанд. Ҳамин figure ҳамчунин нишон медиҳад, ки data density барои critical parameters чун hydraulic loading rate, hydraulic retention time ва influent concentration баробар нест.

Pollutant class яке аз dominant determinants-и removal patterns мебошад. Дар Figure 3 mean lnRR барои microplastics тақрибан -9.1 дода мешавад. Ин ба geometrically тақрибан %99.99 reduction дар effluent concentration мувофиқ аст. Барои antibiotics mean lnRR тақрибан -2.4, барои endocrine-disrupting compounds -2.2 ва барои persistent organic pollutants -1.8 мебошад. Инҳо ба reductions-и тақрибан %90.9, %88.9 ва %83.5 мувофиқанд.

Аммо ин high value барои microplastics бояд хеле эҳтиёткорона тафсир шавад. Таҳқиқот равшан мегӯяд, ки паст шудани effluent concentration-и microplastics далели degradation ё destruction нест. Microplastics шояд асосан дар bed retained, settled ё filtered шудаанд. Агар mass balance иҷро нашуда бошад, маълум нест, ки ин particles дар дарозмуддат remobilize мешаванд ё не. Аз ин рӯ, microplastic finding бояд на “permanent removal”, балки пеш аз ҳама “retention within the system” хонда шавад.

Wetland configuration дуюмин major structural determinant мебошад. Figure 4a нишон медиҳад, ки horizontal subsurface-flow systems strongest average removal-ро медиҳанд. Дар HSSF systems mean lnRR тақрибан -5.53, дар surface-flow systems тақрибан -1.48 мебошад. Инҳо мутаносибан ба geometrical concentration reductions-и тақрибан %99.6 ва %77.2 мувофиқанд. Vertical-flow, mixed-flow ва upward vertical systems байни ин ду ҳад ҷой доранд.

Ин finding аз нигоҳи engineering қавӣ аст, аммо absolute rule нест. Таҳқиқот намегӯяд, ки ҳар subsurface-flow system дар ҳар ҳолат аз ҳар surface-flow system беҳтар аст. Аммо мегӯяд, ки барои advanced polishing-и dissolved emerging pollutants ба surface-flow systems набояд ҳамон removal credit дода шавад ва subsurface-flow designs бояд ҳамчун starting point-и боэътимодтар дида шаванд.

Figure 4b substrate categories ва Figure 4c plant groups-ро муқоиса мекунанд. Substrate type ва vegetation ба removal heterogeneity саҳм мегузоранд; аммо таҳқиқот нишон намедиҳад, ки ягон specific substrate amendment ё plant species барои ҳамаи pollutants ва wastewater conditions universally superior бошад. Ин муҳим аст, зеро дар practice баъзан material ё plant муайян ҳамчун “ҳамеша беҳтар” пешниҳод мешавад. Findings-и ин таҳқиқот чунин generalization-ро дастгирӣ намекунанд.

Wastewater matrix ҳам strong determinant мебошад. Figure 5a нишон медиҳад, ки synthetic wastewaters одатан нисбат ба real wastewaters lnRR-и бештар negative медиҳанд, яъне дар laboratory/synthetic conditions removal higher дида мешавад. Дар real wastewaters domestic wastewater average attenuation-и қавитар нишон медиҳад, дар ҳоле ки leachate ва livestock wastewater responses заифтаранд. Сабаб ин аст, ки real wastewaters complex organic matter, competing pollutants, variable chemistry ва sorption/transformation processes-и гуногун доранд.

Experimental scale бошад шояд муҳимтарин limiting factor барои application бошад. Figure 5b нишон медиҳад, ки аз laboratory scale ба full-scale systems рафтан бо weakening-и average removal ҳамроҳ аст. Mean lnRR values тақрибан -4.21 дар laboratory scale, -2.86 дар mesocosm scale, -1.89 дар pilot scale ва -1.72 дар full scale гузориш мешаванд. Инҳо ба geometrical concentration reductions-и тақрибан %98.5, %94.3, %84.9 ва %82.1 мувофиқанд.

Ин фарқ statistical detail-и хурд нест. Laboratory systems hydraulic short-circuiting, bed aging, clogging, seasonal temperature variation ва complex pollutant competition-и real wastewater-ро маҳдуд инъикос мекунанд. Аз ин рӯ, laboratory results барои mechanism screening арзишманданд, аммо агар бевосита ҳамчун design values истифода шаванд, field performance метавонад аз ҳад зиёд арзёбӣ шавад.

Дар linear meta-regression section 14 continuous covariates таҳлил шудаанд. Variables standardized шудаанд, study-level cluster-robust inference истифода шудааст ва барои multiple testing Benjamini-Hochberg FDR correction анҷом дода шудааст. Пас аз ин таҳлили сахттар танҳо ду variable significant мондаанд: wetland area ва flow rate. Барои wetland area coefficient β = 0.418, p = 0.022; барои flow rate coefficient β = 0.380, p = 0.036 дода шудааст.

Positive будани ин coefficients маънои онро дорад, ки lnRR дар model камтар negative мешавад; яъне apparent removal заифтар мегардад. Flow-rate effect интуитивӣ фаҳмост: вақте flow зиёд мешавад, вақти мондани об ва имкони тамоси pollutants бо substrate, root zone ё microorganisms кам шуда метавонад. Area effect бошад эҳтиёткорона тафсир мешавад; зеро system scale, operational complexity ё unmeasured design characteristics метавонанд ҳамзамон тағйир ёбанд. Аз ҳамин сабаб таҳқиқот area effect-ро ҳамчун direct causal rule пешниҳод намекунад.

Figure 6 cluster-robust meta-regression results ва interactions аз рӯи pollutant class, flow regime, wastewater type ва дигар categories-ро нишон медиҳад. General result чунин аст: linear models ба танҳоӣ universal control equation намеёбанд. Effects-и continuous variables ба pollutant type, wetland flow regime ва wastewater matrix вобаста тағйир мекунанд.

Дар ин ҷо explainable machine learning ворид мешавад. Дар таҳқиқот CatBoost бо XGBoost, random forest, LightGBM, KNN, support vector regression, multilayer perceptron, CNN ва Transformer муқоиса шудааст. Training-test split бо ratio-и %80-%20 анҷом шуда, stratification аз рӯи pollutant type истифода шудааст. Missing values бо missForest пур карда шудаанд ва variables барои пешгирии leakage бо parameters-и танҳо аз training set гирифташуда scale шудаанд.

Барои model performance ду metric-и асосӣ истифода шудааст. RMSE formula чунин дода мешавад:

\[ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

Дар ин ҷо y_i actual lnRR value, ŷ_i predicted lnRR value ва n observation count мебошад. RMSE ҳар қадар хурдтар бошад, prediction error камтар аст.

R² formula чунин ифода мешавад:

\[ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

Дар ин ҷо ȳ average-и actual values аст. R² нишон медиҳад, ки model чӣ қадар аз data variation-ро шарҳ медиҳад. Бо наздик шудани он ба 1 model pattern-ҳои data-ро беҳтар мегирад.

Figure 7 нишон медиҳад, ки CatBoost аз models-и дигар беҳтар performance мекунад, predicted ва observed lnRR values умуман мувофиқанд ва SHAP analysis кадом variables-ро муҳим медонад. Барои CatBoost test performance ҳамчун R² = 0.920 ва RMSE = 1.077 дода мешавад. Дар SHAP ranking муҳимтарин continuous variables flow rate 0.432, influent concentration 0.417, temperature 0.283, media depth 0.186 ва COD 0.185 мебошанд. Барои categorical variables wastewater type 0.325 ва experimental scale 0.197 contribution медиҳанд.

SHAP analysis барои шарҳ додани он истифода мешавад, ки machine-learning model variables-ро барои prediction чӣ қадар истифода кардааст. Аммо ин маънои causality надорад. High importance-и variable дар model исбот намекунад, ки тағйир додани он variable field removal-ро ҳатман дар ҳамон самт тағйир медиҳад. Таҳқиқот ин фарқро равшан мекунад ва CatBoost-ро ҳамчун pattern-recognition tool дар domain-и literature-и мавҷуда муаррифӣ мекунад, на mechanistic simulator.

Figure 8 context-specific variable importance-ро боз ҳам равшантар нишон медиҳад. Дар antibiotics influent concentration %29.7 аз total importance-ро мегирад. Дар microplastics temperature %22.5 ва plant density %15.3 муҳиманд. Дар endocrine-disrupting compounds ва persistent organic pollutants plant density мутаносибан бо %24.7 ва %33.8 баромад мекунад. Дар real-wastewater predictions influent concentration бо %22.6 dominant аст, дар synthetic wastewater бошад flow regime бо %39.5 баромад мекунад. Дар surface-flow systems media type ва plant density, дар subsurface-flow systems pollutant type, COD ва influent concentration бештар муҳиманд.

Ин натиҷа main message-и таҳқиқотро қавӣ мекунад: ягон “most important variable” барои ҳамаи ҳолатҳо вуҷуд надорад. Муҳимияти variable аз pollutant, wastewater, wetland type ва scale вобаста тағйир мекунад. Аз ҳамин сабаб таҳқиқот ба ҷойи universal removal coefficient мафҳуми context-specific performance envelopes, яъне performance envelopes-и вобаста ба контекст, пешниҳод мекунад.

Performance envelope доираи realistic-и operation-и як system-ро дар шароити муайян ифода мекунад. Ин concept барои engineering хеле арзишманд аст. Зеро ба designer ба ҷойи statement-и overly precise мисли “ин system ҳамеша %95 removal медиҳад”, имконият медиҳад бигӯяд: “дар ин pollutant class, wastewater matrix, flow regime ва scale, expected performance range чунин аст”.

Practical recommendations-и таҳқиқот дар чор нуқтаи асосӣ ҷамъ мешаванд. Якум, барои advanced treatment-и dissolved emerging pollutants subsurface-flow systems бояд нисбат ба surface-flow systems ҳамчун more reliable starting design дида шаванд. Дуюм, дар particulate pollutants чун microplastics, агар mass balance набошад, reduction дар effluent concentration бояд ҳамчун retention, на degradation, тафсир шавад. Сеюм, laboratory ва synthetic-wastewater findings бояд ба field design conservatively translate шаванд. Чорум, flow rate, influent concentration, temperature, wastewater chemistry ва experimental scale бояд дар design ва monitoring ҳамчун priority variables гирифта шаванд.

Аз нигоҳи зиндагии ҳаррӯза ин таҳқиқот ба мафҳуми “natural solution” дар water treatment realistic view медиҳад. Constructed wetlands метавонанд low energy, low maintenance ва ecological compatibility пешниҳод кунанд. Аммо ин маънои онро надорад, ки онҳо ҳар pollutant-ро дар ҳар шароит бо ҳамон efficiency хориҷ мекунанд. Domestic wastewater-и як шаҳр, mixed industrial wastewater ё leachate метавонад дар як system рафтори яксон надошта бошад. Аз ҳамин сабаб nature-based solutions низ scientific measurement, field validation ва context-specific design талаб мекунанд.

Аз нигоҳи energy ва environmental policy findings муҳиманд. Low-carbon treatment technologies дар оянда бештар истифода хоҳанд шуд; аммо агар design танҳо ба average laboratory removals такя кунад, field performance метавонад аз интизорӣ паст бошад. Ин ҳам environmental risk ва ҳам investment planning-ро мушкил мекунад. Performance-envelope approach-и таҳқиқот ба decision-makers framework-и ростқавлтар ва амалишаванда медиҳад.

Ҷиҳатҳои қавии таҳқиқот аз large literature synthesis, account кардани dependent effect sizes, истифодаи cluster-robust inference, complement кардани linear meta-regression бо explainable machine learning ва истеҳсоли engineering inferences-и бе муболиға иборатанд. Махсусан ба ҷойи як universal rate uncertainty ва context dependence-ро main finding қабул кардан scientific honesty-ро зиёд мекунад.

Limitations низ равшананд. lnRR танҳо concentration change-ро чен мекунад; намегӯяд pollutant adsorbed, degraded, retained, mineralized ё баъдтар remobilized шудааст. Ин барои microplastics махсусан critical аст. Covariate reporting дар source literature incomplete ва imbalanced аст; ин meta-regression power-ро маҳдуд мекунад. Evidence base аз рӯи wastewater type, region ва scale balanced нест. Publication-bias assessment аз сабаби extreme heterogeneity ва dependent effect sizes душвор аст. Дар machine-learning model test split observation-level мебошад; external validation бо independent study set анҷом нашудааст.

Он чизе ки таҳқиқот намегӯяд, низ бояд равшан бошад. Ин study намегӯяд constructed wetlands ҳамаи emerging pollutants-ро боэътимод нест мекунанд. High removal-и microplastics-ро permanent degradation эълон намекунад. Намегӯяд CatBoost model метавонад field design-ро танҳо иҷро кунад. Бартарии universal-и plant ё substrate муайянро нишон надодааст. Main message эҳтиёткорона ва арзишмандтар аст: constructed-wetland performance context-dependent аст; engineering design бояд на ба single mean value, балки ба pollutant-, wastewater-, flow-regime-, hydraulic-condition- ва scale-specific performance envelopes такя кунад.

Усул ва Натиҷаҳои Таҳқиқот

Усули таҳқиқот аз systematic literature review, effect-size calculation, multilevel meta-analysis, cluster-robust inference, linear meta-regression, CatBoost-based explainable machine learning ва SHAP/ALE interpretation иборат аст.

1. Ҷамъоварии додаҳо ва интихоби studies

2. Pollutant classes

3. Wetland variables

4. Effect-size ва variance formulas

Main effect size:

\[ \ln RR = \ln\left(\frac{C_{out}}{C_{in}}\right) \]

Sampling variance:

\[ V(\ln RR) = \frac{S_{out}^2}{n_{out} C_{out}^2} + \frac{S_{in}^2}{n_{in} C_{in}^2} \]

General meta-regression form:

\[ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \epsilon_i \]

5. Overall heterogeneity

6. Mean removal аз рӯи pollutant class

7. Findings аз рӯи wetland configuration

8. Scale effect

9. Cluster-robust meta-regression results

Пас аз FDR correction continuous moderators-и дигар ҳамчун universal ва stable linear effects боқӣ намонданд. Ин натиҷа зарурати context-specific analysis-ро нисбат ба single-variable design rules дастгирӣ мекунад.

10. Machine learning ва model performance

RMSE:

\[ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

R²:

\[ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

11. SHAP determinants

12. Context-specific SHAP findings

13. Technical summary of main conclusions

• Constructed wetlands метавонанд emerging pollutants-ро кам кунанд, аммо performance highly context-dependent аст.
• Бо I² ≈ 99%, single universal removal coefficient барои engineering design боэътимод нест.
• High apparent removal-и microplastics, бе mass balance, бояд ҳамчун retention, на permanent destruction, тафсир шавад.
• Horizontal subsurface-flow systems аз surface-flow systems average removal-и қавитар нишон доданд.
• Laboratory ва synthetic-wastewater results метавонанд full-scale real-wastewater performance-ро exaggerate кунанд.
• Linear meta-regression танҳо weak universal signals ёфт.
• CatBoost nonlinear structure-ро беҳтар гирифт; аммо external field guarantee ё causal simulator нест.
• Most defensible engineering approach сохтани context-specific performance envelopes мебошад.

Ёддошт оид ба Манбаъ ва Усул

Ин мақола дар асоси таҳқиқоти Diantong Li, Mengze Gao, Dawei Yu, Jie Mao ва Yaohui Bai бо унвони “Context-dependent removal of emerging pollutants in constructed wetlands: a dependence-aware meta-analysis and explainable machine-learning framework for performance envelopes” таҳия шудааст. Таҳқиқот аз ҷониби researchers-и вобаста ба Chinese Academy of Sciences ва University of Chinese Academy of Sciences омода шудааст.

Аз рӯи statement-и равшани матн, source як SSRN preprint research paper мебошад. Азбаски дар матн ба таври равшан “This preprint research paper has not been peer reviewed” навишта шудааст, ин кор бояд ҳамчун preprint-и peer-review-нагузашта арзёбӣ шавад. Дар баробари ин, 67 source study, ки ба meta-analysis дохил шудаанд, тибқи матн peer-reviewed мебошанд. Ин distinction муҳим аст: literature-и асосӣ аз peer-reviewed studies иборат аст, аммо synthesis paper худаш ҳанӯз peer-reviewed publication нест.

Дар омода кардани ин мундариҷа systematic-search process, database-и 67 study ва 841 influent-effluent comparison, lnRR formula, variance calculation, multilevel random-effects model, CR2 cluster-robust inference, FDR correction, CatBoost model, SHAP/ALE explanations, figures, numerical results ва limitations-и худи таҳқиқот истифода шудаанд. Иддаоҳои дар матн набуда, мисли field guarantee, universal removal coefficient, superiority-и ҳамешагии plant ё substrate муайян, definite destruction of microplastics, ё safe generalization-и CatBoost ба external conditions илова нашудаанд.

Results махсусан барои environmental engineering ва wastewater-treatment design муҳиманд, аммо context-dependent мебошанд. Дар constructed-wetland design pollutant class, wastewater matrix, flow regime, flow rate, influent concentration, temperature, experimental scale ва field validation бояд якҷо баррасӣ шаванд. Бо сабаби preprint status findings бояд эҳтиёткорона хонда шуда, дар engineering application бо pilot/full-scale field validation дастгирӣ шаванд.

Meta Tags