Passive monitoring techniques to evaluate environmental pesticide exposure: Results from the Infant's Environmental Health study (ISA)
Notice bibliographique
Résumé
Pesticides used in agriculture may expose populations living nearby. Costa Rica is a major banana-exporting country, its production depends on extensive pesticide use. To evaluate environmental pesticide exposure, we measured levels of current-use pesticides in air and dust from 12 schools in Matina County, Costa Rica, with passive sampling methods. We selected ten proximal and two non-proximal schools and placed polyurethane foam passive air samplers outdoors at each school, during four consecutive periods. At three of these schools, we also placed an active air sampler during the first 24 h of each sampling period. We collected passive dust samples by placing a glass Petri Dish at the inside of each school. We subsequently performed a chemical analysis of 18 pesticides, using gas chromatography with mass detector. With passive air samplers we detected ten different pesticides: two insecticides, two nematicides, and six fungicides, of which nine reported to be used on banana plantations. More than half of the samples contained at least five pesticides. Chlorpyrifos was detected most-frequently, in 98% of samples, followed by the nematicides etoprophos and the fungicide pyrimethanil that were both detected in 81% of samples. Chlorpyrifos concentrations were five times higher in proximal as compared to non-proximal schools: mean = 18.2 ng/m3 (range = 6.1–36.1) and mean = 3.5 ng/m3 (range= <0.5–11.4) and varied more between schools than in time (intra-class correlation coefficient = 0.80). In general, results from passive and active samplers showed similar exposure patterns; yet median concentrations tended to be higher in passive samplers. In dust samples, mostly fungicides were detected; chlorothalonil was detected most frequently, in 50% of samples. Passive air sampling is a promising technique to characterize environmental exposure to current-use pesticides; more studies are needed to characterize the sampling rates, reproducibility and optimum sampling times for passive samplers. School environments near banana plantations are contaminated with multiple pesticides that include insecticides, nematicides, and fungicides, which is of concern.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».