Whole-lake silver nanoparticle addition promotes phosphorus and silver excretion by yellow perch ( <i>Perca flavescens</i> )
Notice bibliographique
Résumé
Fish excretion supports primary production by supplying essential nutrients. However, our understanding of how contaminants affect fish nutrient excretion rates and contaminant persistence in aquatic environments is limited. This is relevant for contaminants like silver nanoparticles (AgNP), increasingly found in aquatic environments due to industrial use and runoff. We investigated the effect of chronic exposure to AgNP under environmentally relevant conditions on yellow perch ( Perca flavescens) nutrients and silver (Ag) excretion. Fifteen kg of AgNP were added over two ice-free seasons to a lake at IISD-Experimental Lakes Area in Canada. We measured nitrogen, phosphorus, and Ag excretion rates and ratios by perch pre-, during, and post the AgNP addition phases in both the experimental lake and a reference lake four times over a 10-year period. We found that in Year 2 of AgNP addition, exposed perch P excretion rates and P:Ag excretion rates increased. However, our empirical P excretion rates in both lakes diverged from model-based predictions of perch P excretion rates, leaving the reasons for the increase in P excretion rates speculative. Nonetheless, Ag release by perch indicates that fish may contribute to legacy Ag contamination in aquatic ecosystems, thereby extending Ag exposure and uptake by aquatic organisms.
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) | 0,001 | 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 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 ».