MétaCan
Menu
Retour à la cohorte
Enregistrement W2001690949 · doi:10.1080/12265071.2002.9647654

Chemical analysis of transplanted aquatic mosses and aquatic environment during a fish kill on the Chungnang river, Seoul, Korea

2002· article· en· W2001690949 sur OpenAlexaff
Joo-Hyoung Lee, Peny Johnson‐Green, Eun Ju Lee

Notice bibliographique

RevueKorean Journal of Biological Sciences · 2002
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueLichen and fungal ecology
Établissements canadiensAcadia University
Organismes subventionnairesnon disponible
Mots-clésFish <Actinopterygii>Aquatic environmentAquatic ecosystemAquatic plantFisheryEnvironmental scienceGeographyEcologyBiologyMacrophyte

Résumé

récupéré en direct d'OpenAlex

In mid-April, 2000, hundreds of thousands of fish floated dead on the Chungnang River, one of the small branches of the Han River in Seoul.We examined the causes of the accident in detail, through analysis of monitoring data from the Han River Monitoring Project, which employed the transplanted aquatic moss, Fontinalis antipyretica.This allowed investigation of another possible cause of the fish kill: release of trace metals into the river from industrial sources during the rainfall event.In addition, we aimed to verify the usefulness of aquatic mosses as bioindicators of the event.Water samples collected 48 h after the fish kill exhibited low pH and high Total-N and Total-P, indicating that acidic compounds rich in nitrogen and phosphorus might be a major contaminant.BOD and COD were also very high.On the whole, the conditions of the river water were degraded at that time.Distinct trends were not observed in the chlorophyll phaeophytinization quotient and photosynthesis rate of transplanted mosses.However, mosses sampled soon after the accident exhibited the lowest values for those variables (p < 0.01), suggesting that stress factors in the river were diluted out over time.Heavy metals with characteristics of industrial effluents (Cr, Pb, Zn, Fe, Cu, and Cd) increased (p < 0.01), indicating that they were unlikely to be major causes of the accident.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,649
Score d'incertitude au seuil0,664

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
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 Opus0,035
Tête enseignante GPT0,203
Écart entre enseignants0,168 · 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 tête enseignante, 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

Citations8
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKorean Journal of Biological SciencesMême sujetLichen and fungal ecologyTravaux en français237 207