Refining the use of stream biofilms as a pesticide monitoring tool: impact of sample processing and periphytometer replication on detection accuracy
Notice bibliographique
Résumé
Accurate characterization of pesticide exposure is critical for assessing risks to aquatic ecosystems. However, pesticide concentrations in surface waters are highly variable and often missed by traditional grab sampling methods, which typically fail to capture transient peaks and hydrophobic compounds that partition into non-water matrices. Time-integrated monitoring approaches, such as biofilm sampling using periphytometers, offer a promising alternative. Despite this, uncertainties remain about how biofilm processing methods affect pesticide quantification, and whether replicate periphytometers are necessary to improve monitoring accuracy. To address these questions, water and biofilm samples were collected from six stream sites in southern Ontario. Biofilm samples were split and processed using either freeze-drying or centrifugation to evaluate the effect of sample preparation on pesticide detection. All samples were analyzed for approximately 500 pesticides. Freeze-dried biofilm consistently yielded higher pesticide detection frequencies and concentrations compared to centrifuged samples, indicating that freeze-drying is a more effective processing method for capturing pesticide residues in biofilm. These findings highlight the importance of standardizing biofilm processing methods to improve monitoring reliability. To evaluate the need for replication, six periphytometers were deployed in parallel at a single stream site. Biofilm samples from each replicate were analyzed for pesticide presence. Pesticide detection profiles were highly consistent across replicates (p > 0.05) in two separate sampling events, suggesting that a single periphytometer is sufficient to characterize site-level pesticide exposure at our stream site. Together, these results provide guidance for improving pesticide monitoring programs by recommending freeze-drying for biofilm processing and supporting the continued use of single periphytometer deployments, which are more feasible for routine monitoring without compromising data quality.
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 | 0,011 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».