Microplastic Emissions and Retention in Urban Catchments and Stormwater Ponds
Notice bibliographique
Résumé
The rapid growth in plastic production and mismanagement of plastic waste streams have raised environmental concerns, with microplastics (MPs) emerging as pervasive pollutants. This study quantifies stormwater MP exports from urban areas by examining five stormwater management ponds (SWPs) and their representative catchments in Kitchener, Ontario, Canada, using field sampling, laboratory extraction, and modeling approaches. Using Laser Direct Infrared (LDIR) spectroscopy, MP concentrations were determined for different MP shapes and polymer compositions, enabling the calculation of both particle- and mass-based fluxes. A hydrology model coupled with a mass balance approach was employed to estimate MP emission factors (i.e. export coefficients) and retention efficiencies in both particle- and mass-based units. Land use impacts were examined by classifying stormwater catchments through machine learning-aided analysis of aerial imagery. Sediment emissions were also quantified through surveys and samplings to explore potential correlations with MP exports. Industrial catchments showed the highest MP emission factor at 8.7×1011 particles ha-1 year-1 (19.6 kg ha-1 year-1), whereas residential areas exhibited the lowest emissions at 1.7×1011 particles ha-1 year-1 (2.3 kg ha-1 year-1). Fibrous MPs accounted for 2–6% of particle-based emissions but 10–24% by mass, highlighting differences in composition across land use types. Parking lots and traffic were key contributors to MP pollution, consistent with polymer composition analysis. SWP retention efficiencies ranged from 73–97% for total loads but varied for specific polymers, from minimal to complete retention. Retention performance was influenced by SWP design features such as inlet and outlet configurations, catchment wash-off dynamics, and hydraulic residence time. These findings emphasize the critical role of land use and SWP design in urban stormwater MP mitigation, with industrial and high-traffic areas contributing significantly to pollution. Understanding these dynamics provides actionable insights for mitigating MP emissions and optimizing SWP retention performance to protect aquatic ecosystems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».