Mathematically Modeling Plastic Pollution in the Great Lakes
Notice bibliographique
Résumé
Mass estimates of plastic pollution based on open water surface samples differ by several orders of magnitude from what is predicted based on production and input rates to the world’s oceans and the Great Lakes. Researchers have proposed that this missing plastic may be located in other reservoirs, including beaches, nearshore water, the water column, or sediment. Studying plastic via sampling efforts is logistically challenging and time consuming. Models, which provide full spatial and temporal distributions, can help fill in the knowledge gaps that sampling efforts leave. Here we present the first three-dimensional modeling effort in the Great Lakes to incorporate vertical diffusion, non-neutrally buoyant particles, a functional biofouling model, and a beaching model. We focus on including mechanisms that could account for removal of plastic from open surface water. Our work suggests that plastic may be accumulating along beaches, with accumulation patterns depending on beach characteristics, current patterns, and near shore population. Additionally, we predict that plastic is accumulating in lake sediment, with the rate of deposition dependent on polymer density, lake depth, and the effects of biofouling. We estimate that there may be 381 tons of plastic in the water of Lake Erie, with the potential for another 2205-2382 tons deposited in the sediment each year in Lake Erie, and 1265-1348 tons per year deposited in Lake Ontario sediments. This work improves existing mass estimates in the water column and sediment deposition rates in Lake Erie and provides a first sediment deposition estimate for Lake Ontario. Together, the results indicate that plastic pollution is likely remaining within the Great Lakes system rather than exporting to the ocean.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».