Estimating pesticide environmental concentrations in Latin America: The importance of developing local scenarios
Notice bibliographique
Résumé
Abstract Data to assess pesticide exposure in soil and water are scarce and unevenly distributed in Latin America, especially due to the size of the region and the vast agricultural landscape. This makes it difficult to assess associated environmental risks. We suggest that the lack of pesticide exposure or monitoring data can be addressed by using validated models to provide estimated pesticide exposure concentrations in soil and water bodies. This exposure modeling approach has been used by regulatory agencies in other countries and regions such as the United States, Canada, and the European Union. In order to properly estimate pesticide exposure concentrations, we advocate for the development of local scenarios containing local weather, soil, and crop data to be used in the existing models. A sensitivity analysis of the models can be performed to determine parameters that are sensitive and therefore inputs to these parameters are derived locally. We believe the development of local scenarios in the region is attainable and can be a pragmatic approach for developing a more comprehensive picture of potential pesticide exposure in the region. Integr Environ Assess Manag 2021;17:901–904. © 2021 Syngenta Proteção de Cultivos Ltda KEY POINTS Pesticide exposure modeling can be an alternative to fulfill the gap on pesticide monitoring data. Developing local scenarios for use in modeling tools is important to support local risk assessment. Modeling tools should be well tested and validated prior to adoption. A sensitivity analysis is important to determine the parameters of importance.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».