Whole-lake silver nanoparticles addition promotes phosphorus and silver excretion by yellow perch (Perca flavescens)
Notice bibliographique
Résumé
Fish excretion supports primary production by supplying essential nutrients. However, our understanding of how contaminants affect fish nutrient excretion rates and their persistence in aquatic environments is limited. We investigated the effect of chronic exposure to silver nanoparticles (AgNPs) under environmentally relevant conditions on yellow perch (Perca flavescens) nutrients and silver (Ag) excretion. Fifteen kg of AgNPs were added over two ice-free seasons to a lake at the IISD-Experimental Lakes Area in Canada. We measured the nitrogen, phosphorus, and Ag excretion rates and ratios by perch pre-, during, and post the AgNPs addition phases in both the experimental and the reference lakes over a 10-year period. We found that in Year 2 of AgNPs addition, exposed perch P excretion rates and P:Ag excretion ratios increased (P < 0.05). However, our empirical P excretion rates in both lakes diverged from model-based predictions of P excretion rates for the tested fish size range, 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 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 | 0,000 | 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 | 0,000 |
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 ».