PREDICTING MERCURY CONCENTRATION IN FISH USING MASS BALANCE MODELS
Notice bibliographique
Résumé
Mass balance models have frequently been used with laboratory-derived bioenergetic models to examine the accumulation of mercury (Hg) in fish. The accumulation of Hg in fish has usually been successfully described by these models. However, this has generally been achieved by adjusting the parameters of these models until there was a close fit between observed and predicted values. In this study, we present a simple Hg mass balance model (MMBM) to predict Hg concentration in fish. This MMBM was applied with three methods of estimating food consumption rates to predict Hg concentration in three freshwater fish species. The MMBM accurately predicted the accumulation of Hg in the three fish species examined in this study when it was combined with food consumption rates that were determined with a radioisotopic method. The MMBM tended to underestimate Hg concentration in fish when it was combined with food consumption rates determined using laboratory-derived bioenergetic models, possibly because activity costs derived under laboratory conditions do not adequately represent activity costs of fish in the field. When feeding rates were estimated with a bioenergetic model implemented with site-specific estimates of activity costs, the MMBM accurately predicted the concentration of Hg in fish. Therefore, until activity costs can be accurately estimated in situ, predictions obtained with the MMBM implemented with a laboratory-derived bioenergetic model should be interpreted cautiously.
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 | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».