Global and regional patterns of soil metal(loid) mobility and associated risks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Soil contamination by metals and metalloids (metal[loid]s) is a global issue with significant risks to human health, ecosystems, and food security. Accurate risk assessment depends on understanding metal(loid) mobility, which dictates bioavailability and environmental impact. Here we show a theory-guided machine learning model that predicts soil metal(loid) fractionation across the globe. Our model identifies total metal(loid) content and soil organic carbon as primary drivers of metal(loid) mobility. We find that 37% of the world’s land is at medium-to-high mobilization risk, with hotspots in Russia, Chile, Canada, and Namibia. Our analysis indicates that global efforts to enhance soil carbon sequestration may inadvertently increase metal(loid) mobility. Furthermore, in Europe, the divergence between spatial distributions of total and mobile metal(loid)s is uncovered. These findings offer crucial insights into global distributions and drivers of soil metal(loid) mobility, providing a robust tool for prioritizing metal(loid) mobility testing, raising awareness, and informing sustainable soil management practices. Evaluating soil metal(loid) mobility at large scales is nearly intractable by laboratory experiments. This study uses theory-guided machine learning methods to map the global distribution of soil metal(loid) mobility and analyzes its primary drivers.
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.
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 | 0,001 |
| 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 découle