Sub-sampling strategies for analysis of small (<20 µm) microplastics in water
Notice bibliographique
Résumé
Quantification of microplastics (MPs) in drinking water is typically achieved using spectroscopic techniques. However, due to the time-consuming nature of these analyses researchers typically apply sub-sampling strategies whereby particles in small areas of a filter are quantified and subsequently extrapolated to the entire area. This widely applied strategy has not been evaluated in terms of potential extrapolation error despite a wide range of sub-sampling methods having been reported. The current study examined the relationship between sub-sampling and extrapolation accuracy when considering 2-100 µm low-density polyethylene (LDPE), polypropylene (PP), and polystyrene (PS) fragments, with a specific focus on particles <20 µm in size as they are the most abundant and have the potential to exert adverse health impacts. A grid-based random sub-sampling method was developed to serve as a baseline such that extrapolation accuracy could be compared to several previously published methods. Results show that as sub-sampling area increases, error decreases following a power law trend. A minimum sub-sampling threshold was identified (approximately 6-8 % of total area) corresponding to an extrapolation error ranging from 8 to 17 %. Use of a log-normal model to describe particle size distributions was evaluated and found to be applicable to particles >2-5 µm. Findings arising from this study provide insight regarding optimal sub-sampling strategies for the analysis of MP in drinking water.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».