Uncovering Hidden Pollution: Diffuse Contaminant Sources in a Sparsely Industrialized Estuarine System
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
Understanding sediment contamination in low-industrial activity areas remains a critical but understudied issue, particularly in estuarine ecosystems subject to diffuse pollution sources. This study employed nontarget screening with high-resolution mass spectrometry to analyze sediment samples from Ganggu Estuary, South Korea, to evaluate the composition and distribution of sediment contaminants in a region lacking heavy industry but influenced by agriculture, fisheries, and tributary discharges. The investigation revealed that contamination stems from multiple sources, including streams, agricultural runoff, and fish market discharges. A total of 678 chemicals were identified, including human and veterinary drugs (8.7%), food additives (6.5%), pesticides (2.8%), and PFAS (1.9%), with spatial variability confirmed by total organic carbon (TOC) analysis. Notably, this study is the first to report the detection of dinoseb, a banned herbicide in estuarine sediments, identified with high confidence alongside key pollutants such as 6:2 fluorotelomer sulfonic acid and 2,4-di- tert -butylphenol. We linked contamination hotspots to U-shaped river bends, streamwater and sediment inputs, and agricultural runoffs, and highlight the role of natural processes in pollutant deposition in a region where heavy industry is absent, yet diffuse sources still drive significant contamination.
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 | 0,000 |
| 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 découle