Contamination of soil and groundwater by pesticides in the region of Akkar-Northern Lebanon : risk assessment on human health
Bibliographic record
Abstract
Akkar est la deuxième zone agricole au Liban. Les pesticides sont utilisés de façon excessive dans les activités agricoles et en conséquence, les eaux souterraines ont été fortement contaminées. En raison d'absence d'un réseau public de distribution d'eau, les eaux souterraines sont utilisées comme principale source d’alimentation en eau potable sans aucun traitement. Cette étude se concentre sur l'évaluation de la contamination des eaux souterraines et des sols par OCPs, OPPs, ONPs et par des métaux lourds afin de mieux caractériser le niveau de contamination. L’autre partie se focalise sur l'évaluation des risques de la pollution sur la population.Des niveaux élevés de pesticides ont été détectés dans les eaux de nombreux villages. De même, des concentrations élevées d’OCPs ont été détectées dans le sol agricole. En outre, une variation significative a été observée en fonction de la profondeur du sol. Les résultats ont montré que certains pesticides, déjà interdits sont actuellement utilisés dans cette plaine. Pour compléter les travaux, les éléments traces métalliques (As, Pb, Cr, Cu, Zn et Cd) ont été initiés. Les résultats ont montré que les sols sont modérément pollués par le Cd. Parallèlement la prévalence des maladies nerveuses ; Anomalies congénitales et Cancer est supérieure à celle dans d'autres régions. Des corrélations significatives ont été établies entre la consommation de l'eau des puits polluée et l'apparition de ces maladies.Pour confirmer les résultats, d'autres recherches sur le niveau de pesticides dans le sang humain ou l'urine pourraient être réalisées. De plus, il est souhaitable de mieux gérer leur utilisation pour réduire les effets sur la santé humaine.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".