Bonifier les techniques de prospection en précisant la source des métaux dans les sédiments de fond de lac
Bibliographic record
Abstract
L'examen des banques de données géochimiques de l'environnement secondaire (sédiment de fond de lac, till, sols, etc.) suggère que les concentrations de métaux dans la gyttja (boue accumulée sous Phypolimnion des lacs) pourraient être influencées par l'environnement dans lequel le lac se situe. De nouvelles hypothèses pour expliquer leur contribution au bilan métallique des sédiments doivent être testées. Ces hypothèses comprennent : (1) que les éléments ne présentent pas le même comportement dans les divers milieux hydriques, suggérant un partitionnement des métaux; (2) que des microorganismes à la surface des lacs exerceraient un facteur de préconcentration sélective de certains métaux et (3) qu'une portion importante de la charge cationique fixée dans les sédiments proviendrait de l'apport des eaux souterraines. \n \nIl devient alors essentiel pour l'interprétation des levés de sédiment de fond de lac que le déportement des métaux dans les sédiments soit pris en compte dans le processus d'exploration, une question qui n'est que rarement abordée par l'industrie. Afin de répondre à cette problématique, trois lacs ont été échantillonnés en plusieurs sites pour tenir compte des variations de la profondeur d'eau. Les échantillons de sédiment ont subi un prétraitement visant à séparer les fractions granulométriques. L'eau interstitielle a été filtrée et analysée à l'ICP-MS, mais ne donne pas de résultats concluants. Des analyses par ICPMS Aqua Regia ont été effectuées sur les échantillons solides dissous partiellement. Des mesures qui ciblent la matière organique ont été prises par perte au feu (PAF) et par digestion alcaline pour la silice biogénique. Une série de 6 lessivages séquentiels ont été effectués afin de déterminer la contribution au bilan métallique de chaque fraction du sédiment. \n \nLa profondeur est le facteur dominant dans la distribution des métaux dans les sédiments de lac et influence la variabilité du signal chimique et des facteurs environnementaux qui diminue avec l'augmentation de la profondeur. Des différences entre les valeurs du levé effectué pour Placer Dome et celui de la présente étude suggèrent qu'un seul échantillon par lac serait insuffisant. Une série de trois échantillons pris dans la partie la plus profonde du lac améliorerait grandement la représentativité de l'échantillonnage. De plus, le temps de l'année (été, hiver) semble influencer les concentrations en éléments dans les sédiments. Les méthodes d'extractions séquentielles sont efficaces et précises principalement pour les trois dernières extractions soit : les oxydes de fer, la matière organique et la matière cristalline. Cette méthode a permis de démontrer que; (1) la fraction détritique résiduelle est responsable en grande partie (plus de 50 %) du signal chimique pour la majorité des éléments; (2) La matière organique est un facteur de séquestration préférentiel pour certains éléments, dont : Cu, Se, Sn, Y, Lanthanides, Al, V, Cr, Be, Ga, Sr, Nb, Ag et Cd; (3) Les oxydes de fer représentent le troisième facteur en importance responsable de la variabilité dans la distribution des métaux dans les sédiments et contiennent les éléments : Ag, Fe, V, Mn, Co, Zn, Ni et quelques autres.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
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".