The Use of Geographic Information Systems for Spatial Ecological Risk Assessments: An Example from the Athabasca Oil Sands Area in Canada
Notice bibliographique
Résumé
There is an acknowledged need in ecotoxicology for methods that integrate spatial analyses in risk assessment. This has resulted in the emergence of landscape ecotoxicology, a subdiscipline of ecotoxicology. However, landscape ecotoxicology has yet to become common practice in risk assessment due to the underdevelopment of techniques and a lack of standardized methods. In the present study, we demonstrate how geographic information systems (GISs) can serve as a standardized platform to integrate data, assess spatial patterns of ecotoxicological data for multiple species, and assess relationships between chemical mixture exposures and effects on biota for landscape ecotoxicological risks assessment. We use data collected under the Joint Oil Sands Monitoring Program in the Athabasca Oil Sands Region in Alberta, Canada. This dataset is composed of concentrations of contaminants including metals and polycyclic aromatic compounds, and health endpoints measured in 1100 biological samples, including tree swallows, amphibians, gull and tern eggs, plants, and mammals. We present 3 examples using a GIS as a platform and geospatial analysis to: 1) integrate data and assess spatial patterns of contaminant exposure in the region, 2) assess spatial patterns of exposures to complex mixtures, and 3) examine patterns of exposures and responses across the landscape. We summarize the methods used in the present study into a workflow for ease of use. The GIS methods allow researchers to identify hot spots of contamination, use georeferenced monitoring data to derive quantitative exposure-response relationships, and assess complex exposures with more realism. Environ Toxicol Chem 2019;38:2797-2810. © 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 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 | 0,000 |
| 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 ».