Analyse aanwezigheid, normoverschrijdingen en toxische druk van bestrijdingsmiddelen in geselecteerde meetpunten binnen het Nederlands oppervlaktewater
Bibliographic record
Abstract
Dit rapport, in opdracht van Natuur & Milieu, onderzoekt specifiek een groep bestrijdingsmiddelen die we aanduiden als Potentieel Hoger Risicostoffen (PHR-stoffen) en hun aanwezigheid en milieu-impact.Het doel is om via Post-registratiemonitoring te bepalen of deze stoffen disproportioneel bijdragen aan normoverschrijdingen en toxische druk in Nederlandse wateren, vooral in of nabij natuur-en recreatiegebieden.Het onderzoek analyseerde gegevens over bestrijdingsmiddelen in het Nederlandse zoete oppervlaktewater tussen 2014 en 2021, met de focus op PHR-stoffen en specifiek de T12subgroep ("Toxic 12").We hebben een hiërarchische mixed-effect modelbenadering gebruikt om nationale trends te voorspellen, waarbij we rekening hielden met lokale trends en ongelijke steekproefgroottes.Daarnaast hebben we de msPAF-methode toegepast om de mengseltoxiciteit te beoordelen, en een verkennende analyse uitgevoerd om ruimtelijke variatie te onderzoeken.Om de veranderingen in mengseltoxiciteit (msPAF) in de loop van de tijd te meten, hebben we GAMMs gebruikt.Tot slot hebben we de impact van PHR-stoffen op mengseltoxiciteit geëvalueerd met behulp van theoretische en statistische modellen.In totaal zijn 79% van de PHR-stoffen en alle T12-stoffen aangetroffen op 153 meetpunten, maar de frequentie van aantreffen varieerde sterk en verschilde per gebied.We hebben normoverschrijdingen waargenomen bij de meerderheid van PHR-en T12-stoffen, maar er zijn geen opvallende trends vergeleken met andere stoffen of over de tijd.Bovendien is er geen duidelijke afname in de kans op detectie of normoverschrijdingen waargenomen tussen 2014 en 2021.De chronische en acute toxische druk (msPAF) is afgenomen sinds 2014 voor alle bestrijdingsmiddelen, maar de afname voor de acute msPAF is minder opvallend.Verder vinden we dat het aantreffen van PHR-en T12-stoffen significant snellere leidt toenames in msPAF-waarden vergeleken met de gemiddelde stof.Dit is te zien bij zowel de chronische msPAF, die respectievelijk 300% en 370% sneller toeneemt, als bij de acute msPAF, die 290% en 400% sneller toeneemt per gedetecteerde stof voor PHR en T12.Een theoretisch model gebaseerd op toxiciteitsgegevens verklaart dit fenomeen gedeeltelijk en wijst op een hogere toxiciteit voor PHR en T12 stoffen.Dit onderzoek sluit aan bij eerdere rapporten die ook geen duidelijke dalende trend in de kans op detectie of normoverschrijdingen laten zien in dezelfde onderzochte periode.De afname in chronische toxische druk lijkt overeen te komen met eerdere onderzoeken, maar het ontbreken van gelijktijdige afname in normoverschrijdingen roept vragen op, omdat dit kan duiden op veranderende stofmengselsamenstellingen.We zien aanwijzingen dat PHRen T12-stoffen de toxische druk in mengsels verhogen, maar we benadrukken echter dat dit effect mogelijk wordt veroorzaakt door enkele stoffen binnen de T12-groep.Stofspecifieke analyses zijn daarom nodig om de waargenomen trends beter te begrijpen voordat de ecotoxicologische impact op het Nederlandse waterleven van PHR-stoffen definitief kan worden bepaald.Het Centrum voor Milieuwetenschappen (CML) heeft dit onderzoek onafhankelijk uitgevoerd en het bijbehorende rapport opgesteld.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.045 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".