Predict Metal Toxicity and Water Quality Criteria of Different Types of Water Into Taihu Lake, China Using Biotic Ligand Model
Notice bibliographique
Résumé
The Biotic Ligand Model (BLM) is an important tool in predicting acute toxicity of metal to aquatic organisms. This study used the BLM to predict acute toxicity (LC50, the lethal concentration for 50% of test organisms) of Cu and Zn to Daphnia magna, and to predict water quality criteria (WQC) for different types of water (river water, treated and untreated sewage, and rainwater) into Taihu Lake, an important drinking water source for millions of population. Their effects of metal toxicity on Taihu Lake were also explored. The results showed that Taihu Lake water had a relatively higher LC50 (Cu) value (1.38 ± 0.60 mg/L) than other types of water except for untreated sewage (2.25 ± 2.13 mg/L). Of these types of water, predicted LC50 value of Cu followed the order of untreated sewage > rainwater > Taihu Lake > river water > sewage effluent. In addition, acute toxicity of Zn followed the order of river water > rainwater > Taihu Lake > sewage effluent > untreated sewage. Comparison of the predicted WQC values with the Chinese National Water Quality Standard of Surface waters indicated that the existing standard for copper might over-protect the aquatic organisms in Taihu Lake. The correlation analysis showed that increased DOC (dissolved organic carbon) concentration resulted in a higher LC50 value due to complexation between metal and organic matters, which reduced Cu toxicity. A significant positive relationship existed between cation concentration and predicted LC50 value, also indicating that cation concentration may reduce metaltoxicity. The work provided basic data for the study of water effect ratio (WER) and for the establishment of China’s own water quality critieria based on Chinese water environmental conditions.
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 | 0,002 |
| 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) | 0,003 | 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 ».