Risk characterization of microplastics in San Francisco Bay, California
Notice bibliographique
Résumé
Abstract Assessing microplastics risk to aquatic ecosystems has been limited by lack of holistic exposure data and poor understanding of biological response thresholds. Here we take advantage of two recent advances, a toxicological meta-analysis that produced biotic response thresholds and a method to quantitatively correct exposure data for sampling methodology biases, to assess microplastic exposure risk in San Francisco Bay, California, USA. Using compartment-specific particle size abundance data, we rescaled empirical surface water monitoring data obtained from manta trawls (> 333 μm) to a broader size (1 to 5000 μm) range, corrected for biases in fiber undercounting and spectroscopic subsampling, and assessed the introduced uncertainty using probabilistic methods. We then compared these rescaled concentrations to four risk thresholds developed to inform risk management for California for each of two effect categories/mechanisms - tissue translocation-mediated effects and food dilution - each aligned to ecologically relevant dose metrics of surface area and volume, respectively. More than three-quarters of samples exceeded the most conservative food dilution threshold, which rose to 85% when considering just the Central Bay. Within the Central Bay, 38% of the samples exceeded a higher threshold associated with management planning, which was statistically significant at the 95% confidence interval. For tissue translocation-mediated effects, no samples exceeded any threshold with statistical significance. The risk associated with food dilution is higher than that found in other systems, which likely reflects this study having been conducted for an enclosed water body. A sensitivity analysis indicated that the largest contributor to assessment variability was associated with estimation of ambient concentration exposure due to correcting for fiber undercounting. Even after compensating for biases associated with fibers and other small particles, concentrations from the trawl samples were still significantly lower than the 1-L grab samples taken at the same time, suggesting our SFB risk estimates are an underestimate. We chose to rely on the trawl data because the 1-L grab sample volume was too small to provide accurate spatial representation, but future risk characterization studies would be improved by using in-line filtration pumps that sample larger volumes while capturing a fuller range of particle size than a towed net.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».