Challenges and future prospects for developing Ca and Mg water quality guidelines: a meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Anthropogenic activities have the potential to increase water hardness (Ca + Mg) in receiving waters to toxic concentrations, and thus, water quality guidelines (WQG) for Ca and Mg are warranted. However, Ca can modify Mg toxicity in Ca-poor water and additional interactions with other major ions (Na + , K + , HCO 3 − /CO 3 2− , SO 4 2− and Cl − ) may occur, potentially obscuring the water hardness–effect relationship. In a meta-analysis of toxicological studies, we: (i) evaluate the performance of three WQG derivation methods, and (ii) determine the influence of several variables (acute/chronic data, anions, Ca:Mg ratios, non-geographically relevant species) on the models. We find that the most sensitive species- or species sensitivity distribution (SSD)-based WQG derivation methods greatly overestimate water hardness toxicity, particularly if non-resident species are included. Broad-scale implementation of most sensitive species- or SSD-based WQG is impractical because water hardness varies beyond and within the regional scale. Anion type does not affect water hardness toxicity across species, but the Ca : Mg ratio is toxicologically relevant, underscoring the importance of considering ion ratios when developing major ion WQG. Although data supporting formal water hardness WQG are unavailable, we suggest using a two-component background condition approach that supports simultaneous management of water hardness and Ca : Mg ratio, and WQG that are applicable beyond the regional scale. This article is part of the theme issue ‘Salt in freshwaters: causes, ecological consequences and future prospects’.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle