Using field data to assess the effects of pesticides on crustacea in freshwater aquatic ecosystems and verifying the level of protection provided by water quality guidelines
Notice bibliographique
Résumé
The purpose of this study was to investigate how well single-species laboratory data predict real-world pesticide toxicity effects on Crustacea. Data from field pesticide exposures from experimental mesocosm and small pond studies were converted into toxicity units (TUs) by dividing measured pesticide concentrations by the L(E)C50 for Daphnia or acute 5% hazard concentration for Crustacea (HC5-C). The proportion of crustacean taxa significantly affected by the pesticide treatment, called the count ratio of effect, was used in logistic regression models. Of 200 possible logistic model combinations of the TUs, fate, physicochemical variables, and structural variables versus the count ratio of effect for the mesocosm data, the best model was found to incorporate log(TU HC5-C). This model was used to convert pesticide water quality guidelines from around the world into estimates of the proportion of crustacean taxa predicted to be impacted by exposure to a pesticide at the water quality guideline concentration. This analysis suggests 64% of long-term water quality guidelines and 88% of short-term pesticide water quality guidelines are not protective of the aquatic life they are designed to protect. We conclude that empirically derived data from mesocosm studies should be incorporated into water quality guideline derivation for pesticides where available. Also, interspecific differences in susceptibility should be accounted for more accurately to ensure water quality guidelines are adequately protective against the adverse effects of pesticide exposure.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».