Use of a Food Web Bioaccumulation Model to Uncover Spatially Integrated Polychlorinated Biphenyl Exposures in Detroit River Sport Fish
Notice bibliographique
Résumé
We applied and tested a bioenergetic-based, steady-state food web bioaccumulation model to predict polychlorinated biphenyl (PCB) exposures in sport fish of the Detroit River (USA-Canada), which is a Great Lakes area of concern. The PCB concentrations in the sediment and water of the river were found to exhibit high spatial variation. The previously contained areas of high contamination may have spread to adjacent food webs as a result of fish movements. This process may cause biased predictions in single-compartment bioaccumulation models. We performed multiple simulations and contrasted model predictions against a database of 1152 fish sample records comprising 19 sport fish species. The simulations evaluated 4 spatial scales (river-wide, 2-nation, 4-zone, and 6-zone models) to reveal how the spatial heterogeneity of contamination and species-specific movements contribute to variation in fish PCB exposures. The model testing demonstrated that the 2-nation model provided the most accurate global prediction of fish contamination. However, these improvements were not equally observed across all species. The model was subsequently calibrated for poorly performing species, by allowing cross-zone exposures, demonstrating the importance of accounting for specific ecological factors, such as fish movement, to improve PCB bioaccumulation prediction, especially in highly heterogeneous water systems. Environ Toxicol Chem 2019;38:2771-2784. © 2019 SETAC.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».