An Analysis of Agricultural Pesticide Practices and Anthropogenic Footprints in Himalayan Freshwaters of Nepal
Notice bibliographique
Résumé
The growing number of agro-vets in Nepal reflects an increasing demand for pesticides, highlighting the need to investigate the types, toxicity, and public awareness of associated hazards. This study collected data from the oldest agro-vet in Kathmandu Valley, documenting the specific pesticides used. Although the data on pesticide volume is limited, the study is significant as it was carried out with limited research resources, both using synthesis data and primary data over a decade ago. The data was systematically organized in MS-Excel to provide a detailed overview of each pesticide. Additionally, the study examined the anthropogenic footprint, focusing on human activities such as population density and agricultural practices. The population size was plotted by calculating the overall population of districts touched by the river basins, extracted from the census. The percentage of gross national product was presented graphically to illustrate the anthropogenic features in each basin from high mountain terrain to lowlands. The lower sections of Nepal’s Himalayan rivers and the middle segments of the Bagmati River face significant human and agricultural pressures, exacerbated by the widespread use of hazardous pesticides in Kathmandu, necessitating stringent regulatory actions, regular monitoring programs, and enhanced research efforts to assess and mitigate associated risks. These findings shed light on the historical background of the introduction of pesticides in Nepal and the most common types of pesticide in the Kathmandu valley, while the analysis of anthropogenic footprints offer a framework for evaluating human-induced impacts on the Himalayan freshwater systems of Nepal.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».