Besin zinciri biyobirikim modellemesi kullanarak insanların organik kimyasallara balık tüketimi yoluyla maruziyetinin tahmini
Notice bibliographique
Résumé
In this study, the Aquatic Foodweb and TMF Model was used to predict bioaccumulation potentials of hydrophobic organic pollutants monitored in lakes in Türkiye. Data available in the literature was used for predicting specie chemical concentrations in pelagic, demersal and combined food webs. These data were then used to assess risks to human health via consumption of fish. Sensitivity analysis yielded logKow and chemical concentration in water as sensitive parameters for all species, whereas lipid content of detritus and phytoplankton had a great impact on the chemical concentration in organisms. Model was validated with data from Lake Ontario, Canada, and Lake Efteni and Lake Karaboğaz from Türkiye. Overprediction was observed, which was attributed to lack of: (i) site-specific information on food web and other environmental data, (ii) elimination mechanisms, (iii) incorporation of bioavailability of chemicals. The model was applied to determine organochlorine pesticide concentrations in tench and common carp from Lake Sapanca and sand smelt from Lake İznik. Human health risk assessment was conducted for both carcinogenic and non-carcinogenic health impacts on adults, adolescents and children. The outcomes reveal that the carcinogenic and non-carcinogenic risks associated with the consumption of fish from Lake Sapanca and Lake İznik are above acceptable limits, although overestimation potential is present. Chemical concentrations in these water resources are above the environmental quality standards, which result in potential health risks associated with fish consumption, as per model results. This thesis study underscores potential chemical related dangers originating from these lakes.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».