An integrated analysis on source-exposure risk of heavy metals in agricultural soils near intense electronic waste recycling activities
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
Conducting integrated analysis of the source, exposure and health risk of heavy metals is critical for developing mitigation strategies of soil contamination. Taking the former electronic waste (e-waste) dismantling center in China as an example this study quantitatively apportioned source contribution of soil heavy metals in this area by statistical analysis and positive matrix factorization (PMF) model. Furthermore, the human health risk of identified sources were quantified by combining source profiles and exposure risk assessment. The seven heavy metals investigated were arsenic (As), cadmium (Cd), copper (Cu), chromium (Cr), nickel (Ni), lead (Pb) and Zinc (Zn). Results indicated that agricultural soils were mainly contaminated with Cd and Cu. Parent material and pesticide, fertilizer application, industrial discharge, and vehicle emission accounted for 46.6, 22.2, and 31.2%, respectively, of the accumulation of metals in the soil. Moreover, these sources contributed 52.9, 19.0, and 28.1%, respectively of the total non-cancer risk. For the total cancer risk, the contribution of these three sources was 39.2, 45.3, and 15.5%, respectively. Despite that industrial discharge contributed the least to the accumulation of metals (22.2%), it contributed the most to the total cancer risk (45.3%). Reducing industrial emission was crucial for minimizing the heavy metal input to agricultural soils and preventing potential health hazard. These findings could provide support for environmental protection authority to improve the management and risk prevention of contaminated farmland.
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 | 0,001 | 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 | 0,000 |
| 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) | 0,002 | 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