Urbanisation and Lockdown Impact on Airborne Fungal Communities in Tropical Landscapes: A Comparative Study of Urban and Peri‐Urban Environments
Notice bibliographique
Résumé
This study assessed the concentration, composition, and spatiotemporal distribution of airborne fungi in a metropolitan area, comparing urban and peri-urban sites across rainy and dry seasons. An 8-month fungal bioaerosol monitoring was conducted using a six-stage Andersen cascade impactor. Data analysis involved generalised linear regression models and multifactorial ANOVA to assess the relationships between meteorological conditions, sampling sites, campaigns, fungal concentrations, and impactor stages. Additionally, a Bayesian neural network was developed to predict bioaerosol dynamics based on the analysed variables. We identified 10 viable fungal species, including Aspergillus niger, Aspergillus nidulans, Aspergillus. fumigatus, Aspergillus terreus, Aspergillus flavus, Aspergillus versicolor, Penicillium spp. and Fusarium oxysporum. Notable differences in the aerodynamic sizes of fungal particles influenced their distribution and potential impact on the respiratory system. The Bayesian neural network successfully predicted fungal bioaerosol concentrations with an accuracy of 76.87%. Our findings reveal the significant role of environmental and human-related factors in shaping bioaerosol distribution in tropical urban contexts. This research provides essential insights into the behaviour of fungal bioaerosols, highlighting their relevance for public health, especially for immunocompromised populations, and their impact on local agriculture. Furthermore, it demonstrates the potential of fungal bioaerosols as bioindicators for environmental monitoring and predictive modelling.
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 | 0,001 |
| 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 ».