MétaCan
Menu
Retour à la cohorte
Enregistrement W2001650846 · doi:10.1021/es060237g

Organochlorine Pesticide and Polychlorinated Biphenyl Concentrations in Snow, Snowmelt, and Runoff at Bow Lake, Alberta

2006· article· en· W2001650846 sur OpenAlexaffabout
Melissa J. Lafrenière, Jules M. Blais, Martin Sharp, David W. Schindler

Notice bibliographique

RevueEnvironmental Science & Technology · 2006
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueToxic Organic Pollutants Impact
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésSnowmeltSnowpackMeltwaterSnowEnvironmental scienceSurface runoffHydrology (agriculture)GlacierChlordaneEnvironmental chemistrySTREAMSDieldrinPesticideEcologyChemistryGeologyGeomorphology

Résumé

récupéré en direct d'OpenAlex

We present analyses of the concentrations of organochlorine (OC) contaminants (including organochlorine pesticides and PCBs) in snow, snowmelt, and runoff in glacier and snowmelt fed streams at Bow Lake, Alberta in two contrasting hydrological years (1997 and 1998). The study investigates the variability in OC burdens in snow across the catchment, the elution of OCs from the snowpack, and the relationship between OC concentrations in streams and the annual snowpack. Snowpacks in forested sites were thinner and had lower OC concentrations than snowpacks in open or sparsely vegetated sites. The first snowmelt samples exhibited very high contaminant concentrations relative to the snowpack, and even the more hydrophobic compounds (Dieldrin, DDTs, and PCBs) were highly concentrated in meltwater. Interannual changes in the mean OC concentrations in streams did not reflect year-to-year changes in the snowpack contaminant concentrations. The results indicate that the extent of glacial ice melt may be more important than mean snowpack burdens as a control on OC concentrations in runoff in glacial catchments.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,120
Score d'incertitude au seuil0,242

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,003
Tête enseignante GPT0,193
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental Science & TechnologyMême sujetToxic Organic Pollutants ImpactTravaux en français237 207