On the probability of ecological risks from microplastics in the Laurentian Great lakes
Notice bibliographique
Résumé
The Laurentian Great Lakes represent important and iconic ecosystems. Microplastic pollution has become a major problem among other anthropogenic stressors in these lakes. There is a need for policy development, however, assessing the risks of microplastics is complicated due to the uncertainty and poor quality of the data and incompatibility of exposure and effect data for microplastics with different properties. Here we provide a prospective probabilistic risk assessment for Great Lakes sediments and surface waters that corrects for the misalignment between exposure and effect data, accounts for variability due to sample volume when using trawl samples, for the random spatiotemporal variability of exposure data, for uncertainty in data quality (QA/QC), in the slope of the power law used to rescale the data, and in the HC5 threshold effect concentration obtained from Species Sensitivity Distributions (SSDs). We rank the lakes in order of the increasing likelihood of risks from microplastics, for pelagic and benthic exposures. A lake-wide risk, i.e. where each location exceeds the risk limit, is not found for any of the lakes. However, the probability of a risk from food dilution occurring in parts of the lakes is 13-15% of the benthic exposures in Lakes Erie and Huron, and 8.3-10.3% of the pelagic exposures in Lake Michigan, Lake Huron, Lake Superior, and Lake Erie, and 24% of the pelagic exposures in Lake Ontario. To reduce the identified uncertainties, we recommend that future research focuses on characterizing and quantifying environmentally relevant microplastic (ERMP) over a wider size range (ideally 1-5000 μm) so that probability density functions (PDFs) can be better calibrated for different habitats. Toxicity effect testing should use a similarly wide range of sizes and other ERMP characteristics so that complex data alignments can be minimized and assumptions regarding ecologically relevant dose metrics (ERMs) can be validated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».