Ecological and Landscape Drivers of Neonicotinoid Insecticide Detections and Concentrations in Canada’s Prairie Wetlands
Notice bibliographique
Résumé
Neonicotinoids are commonly used seed treatments on Canada's major prairie crops. Transported via surface and subsurface runoff into wetlands, their ultimate aquatic fate remains largely unknown. Biotic and abiotic wetland characteristics likely affect neonicotinoid presence and environmental persistence, but concentrations vary widely between wetlands that appear ecologically (e.g., plant composition) and physically (e.g., depth) similar for reasons that remain unclear. We conducted intensive surveys of 238 wetlands, and documented 59 wetland (e.g., dominant plant species) and landscape (e.g., surrounding crop) characteristics as part of a novel rapid wetland assessment system. We used boosted regression tree (BRT) analysis to predict both probability of neonicotinoid analytical detection and concentration. BRT models effectively predicted the deviance in neonicotinoid detection (62.4%) and concentration (74.7%) from 21 and 23 variables, respectively. Detection was best explained by shallow marsh plant species identity (34.8%) and surrounding crop (13.9%). Neonicotinoid concentration was best explained by shallow marsh plant species identity (14.9%) and wetland depth (14.2%). Our research revealed that plant composition is a key indicator and/or driver of neonicotinoid presence and concentration in Prairie wetlands. We recommend wetland buffers consisting of diverse native vegetation be retained or restored to minimize neonicotinoid transport and retention in wetlands, thereby limiting their potential effects on wetland-dependent organisms.
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 | 0,001 |
| 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) | 0,000 | 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 ».