Bringing Jesus to the Desert: Uncover the Ancient Culture, Discover Hidden Meanings by Bradley Nassif (review)
Notice bibliographique
Résumé
Pollution has been less investigated in marine and coastal environments than in inland waters. The low levels at which pollutants are expected to be present in seawater calls for the use of reliable and high sensitivity analytical methodologies. In this context, this work presents the optimization and validation of an analytical method to determine 26 medium to highly polar pesticides in seawater based on solid phase extraction and liquid chromatography-tandem mass spectrometry detection. The developed methodology was linear, accurate (relative recoveries within 80-120% for most analytes), repeatable (relative standard deviations <18% for most analytes), and sensitive (limits of determination <1 ng/L for 89% of the compounds). The use of isotopically labeled compounds as surrogate standards compensated for low analyte recoveries and matrix effects. The method was applied to the analysis of seawater samples collected along the coastline of Catalonia (NE Spain). Overall, total pesticide loads were higher inside the marinas than outside. The booster biocides diuron and irgarol used in antifouling paintings and different triazine pesticides were the most abundant compounds. Irgarol was present above the maximum allowable concentration set in European regulations in 70% of the samples collected inside the marinas. A different pesticide pollution pattern, with MCPA and bentazone presenting the highest concentrations, was observed at the Ebro Delta area due to the impact of the agricultural activities carried out there. To the authors' knowledge, 4 out of the 26 target pesticides, namely, chlorfenvinphos, fenthion oxon, fenthion sulfone, and fenthion sulfoxide, have not been previously investigated in seawater.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».