Advantages of model averaging of species sensitivity distributions used for regulating produced water discharges
Notice bibliographique
Résumé
Produced water (PW) generated by Australian offshore oil and gas activities is typically discharged to the ocean after treatment. These complex mixtures of organic and inorganic compounds can pose significant environmental risk to receiving waters, if not managed appropriately. Oil and gas operators in Australia are required to demonstrate that environmental impacts of their activity are managed to levels that are as low as reasonably practicable, for example, through risk assessments comparing predicted no-effect concentrations (PNECs) with predicted environmental concentrations of PW. Probabilistic species sensitivity distribution (SSD) approaches are increasingly being used to derive PW PNECs and subsequently calculating dilutions of PW (termed "safe" dilutions) required to protect a nominated percentage of species in the receiving environment (e.g., 95% and 99% or PC95 and PC99, respectively). Limitations associated with SSDs include fitting a single model to small (six to eight species) data sets, resulting in large uncertainty (very wide 95% confidence limits) in the region associated with PC99 and PC95 results. Recent advances in SSD methodology, in the form of model averaging, claim to overcome some of these limitations by applying the average model fit of multiple models to a data set. We assessed the advantages and limitations of four different SSD software packages for determining PNECs for five PWs from a gas and condensate platform off the North West Shelf of Australia. Model averaging reduced occurrences of extreme uncertainty around PC95 and PC99 values compared with single model fitting and was less prone to the derivation of overly conservative PC99 and PC95 values that resulted from lack of fit to single models. Our results support the use of model averaging for improved robustness in derived PNEC and subsequent "safe" dilution values for PW discharge management and risk assessment. In addition, we present and discuss the toxicity of PW considering the paucity of such information in peer-reviewed literature. Integr Environ Assess Manag 2024;20:498-517. © 2023 Commonwealth Scientific and Industrial Research Organisation. Integrated Environmental Assessment and Management published by Wiley Periodicals LLC on behalf of Society of Environmental Toxicology & Chemistry (SETAC).
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».