Incorporating the benefits of vegetative filter strips into risk assessment and risk management of pesticides
Notice bibliographique
Résumé
The pesticide registration process in North America, including the USA and Canada, involves conducting a risk assessment based on relatively conservative modeling to predict pesticide concentrations in receiving waterbodies. The modeling framework does not consider some commonly adopted best management practices that can reduce the amount of pesticide that may reach a waterbody, such as vegetative filter strips (VFS). Currently, VFS are being used by growers as an effective way to reduce off-site movement of pesticides, and they are being required or recommended on pesticide labels as a mitigation measure. Given the regulatory need, a pair of multistakeholder workshops were held in Raleigh, North Carolina, to discuss how to incorporate VFS into pesticide risk assessment and risk management procedures within the North American regulatory framework. Because the risk assessment process depends heavily on modeling, one key question was how to quantitatively incorporate VFS into the existing modeling approach. Key outcomes from the workshops include the following: VFS have proven effective in reducing pesticide runoff to surface waterbodies when properly located, designed, implemented, and maintained; Vegetative Filter Strip Modeling System (VFSMOD), a science-based and widely validated mechanistic model, is suitable for further vetting as a quantitative simulation approach to pesticide mitigation with VFS in current regulatory settings; and VFSMOD parametrization rules need to be developed for the North American aquatic exposure assessment. Integr Environ Assess Manag 2024;20:454-464. © 2023 The Authors. 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».