A simple empirical model to predict forest insecticide ground-level deposition from a compendium of field data
Notice bibliographique
Résumé
Deposit data from 205 aerial forest insecticide applications conducted in field trials by the Canadian Forest Service, Great Lakes Forestry Centre over a 15-year period are summarized. Deposit measurements were taken under "worst case" scenarios in the sense that direct applications were made over water bodies, and ground samplers were intentionally placed in open or cleared areas of forest. The median % deposit on shoreline collectors (32 separate applications) was 5.7%, on mid-stream collectors (44 separate applications) was 6.2%, and on forest floor collectors (129 separate applications) was 4.9%. Forest floor deposit was most closely associated with application rate and droplet size (r = 0.624, p < 0.001 and r = 0.662, p = 0.011, respectively) but these variables combined only explained 44% of the variation in deposit. Data from all three collector types were grouped by 10% deposit increments and combined to provide a data set from all deposition scenarios. A negative exponential model was fitted to the proportion of these combined sites regressed on % deposit in 10% increments and plotted as a deposit probability distribution curve (p < 0.001, r2 = 0.992). The probability distribution curve indicated that 5-10% deposit would be expected about 57-91% of the time, whereas 50% deposit or greater would be expected about 2% of the time or less. In a probabilistic risk assessment for aerially applied insecticides in a conifer-dominated forest environment, the probability distribution curve based on empirical data presented here can be used to refine the characterization of exposure scenarios from which effects estimates can be derived.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».