MétaCan
Menu
Retour à la cohorte
Enregistrement W2112272106 · doi:10.3390/challe5010138

Changes in Acid Herbicide Concentrations in Urban Streams after a Cosmetic Pesticides Ban

2014· article· en· W2112272106 sur OpenAlexaffabout
Aaron Todd, John Struger

Notice bibliographique

RevueChallenges · 2014
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePesticide and Herbicide Environmental Studies
Établissements canadiensEnvironment and Climate Change CanadaMinistry of the Environment, Conservation and Parks
Organismes subventionnairesnon disponible
Mots-clésMecopropPesticideDicambaSTREAMSUrban streamEnvironmental chemistryEnvironmental sciencePopulationChemistryAgronomyBiologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Surface water concentrations of the acid herbicides 2,4-D, dicamba and mecoprop were measured in ten urban Ontario streams before (2003–2008) and after (2009–2012) a ban on the sale and use of pesticides for cosmetic (non-essential) purposes. Frequencies of detection (2003–2012) were 98%, 96% and nearly 100%, respectively for 2,4-D, dicamba and mecoprop. Concentrations were typically in the ng L−1 range, although periodic spikes in the µg L−1 range were observed. Concentrations in a majority of the study streams decreased significantly following the cosmetic pesticides ban. Concentrations decreased from 16% to 92% depending on the stream and herbicide. The presence of these herbicides in urban streams was likely a result of urban applications. Concentrations were significantly related to population density or urban land cover, and the relative proportion of the three herbicides observed in urban stream water approximated the ratios found in pesticide products formulated for urban use. Longer-term trends indicate that decreases in stream water herbicide concentrations may have preceded the ban and may be related to increased public awareness of pesticide issues and voluntary reductions in urban pesticide use.

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)0,001
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 enseignants0,214
Score d'incertitude au seuil0,425

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
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 Opus0,017
Tête enseignante GPT0,225
Écart entre enseignants0,208 · 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

Citations16
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChallengesMême sujetPesticide and Herbicide Environmental StudiesTravaux en français237 207