Characterizing and sourcing metal air contamination coupling concentrations and lead isotopes from moss biomonitoring in urban cemeteries
Notice bibliographique
Résumé
Abstract Populations are constantly exposed to airborne metals, in particular in urban areas. Despite their proven links to health issues, their origin and fate are still subject to debate. Bioindicators, by taking up and cumulating atmospheric metals over time, have been widely used to proxy environmental quality over large areas, at various time scales. Using the example of the Paris region, we investigated the potential for the Grimmia pulvinata moss species to both characterize air metal contamination and to identify its main sources. To this end, we coupled metal/metalloid (Al, As, Cd, Cr, Cu, Fe, Ni, Pb, Sb, Sr, V and Zn) concentrations and Pb isotope ratios from samples collected in cemeteries in the city and its suburbs. Metal enrichment factors ranged between 2 and 10 for As, Cr, Fe, Ni, Sr, V, between 50 and 100 for Cu, Pb and Zn and > 100 for Cd and Sb, indicating a dominant anthropogenic origin. Principal component analysis showed that 3 principal components explained 89% of the metal variations: (i) European atmospheric background, (ii) regional urban sources, and (iii) resuspension of regional soils. This was corroborated by Pb isotope ratios, whose variations were modelled by a ternary mixing that considered the same 3 emission sources. Using a MixSIAR isotope model, we reveal that the European atmospheric background contributes slightly (< ~ 5%) and that within 20 km of the city center bioindicators are mostly impacted by urban sources (contributions: 50–80%). Samples collected > 20 km show almost equal contributions of the endmembers representing urban activities and agricultural soil resuspension.
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 | 0,000 |
| 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 ».