A global nectar and pollen pesticide residue database with a user interface tool for calculating residue per unit dose for different pesticide application methods
Notice bibliographique
Résumé
Pollinating bee dietary risk assessment for pesticide registration requires knowledge of nectar and pollen pesticide residue concentrations following different pesticide application methods to crops. The magnitude and duration of bee dietary pesticide exposures vary according to crop attractiveness to bees, physiochemical properties, plant characteristics, application rate, method, timing, and soil characteristics. Regulatory authorities rely on model-generated default estimates of pollinator exposure when measured food item pesticide residue data are unavailable for pesticide active ingredients. In North America, default pesticide residue estimates for pollen and nectar are imbedded in the USEPA's BeeREX model and, depending on the application method, are derived from various model approaches and data sources. Pursuing comprehensive bee-relevant data, we compiled and analyzed pesticide residue data from nectar and pollen samples collected during numerous field studies previously submitted to the USEPA, California Department of Pesticide Regulation, Canada Pesticide Regulatory Agency, and the European Food Safety Authority by pesticide product registrants. The information was compiled into a database that is accessible through an interactive Excel user interface termed NPRUDv1. The interactive file that makes up NPRUDv1 allows the user to generate statistical estimates of pesticide residue per unit dose values in nectar and pollen matrices for different application methods. The values can be used to calculate nectar and pollen estimated environmental concentrations in models to assess dietary pollinator risk. The use of this database and the NPRUDv1 tool will strengthen the dietary exposure component of pollinator pesticide risk assessments by utilizing a database of field-measured pollen and nectar residue concentrations that represent pesticide use patterns in different crops. This publication describes the procedures followed to establish a globally comprehensive nectar and pollen residue database, demonstrates the use of NPRUDv1, and demonstrates its applicability to lower tier pollinator pesticide risk assessment.
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 | 0,000 |
| 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 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 ».