Considérations sur la conception de plans d'échantillonnage pour un programme de surveillance post-dépôt des pesticides et des médicaments rejetés par les exploitations salmonicoles avec cages en filet
Bibliographic record
Abstract
Le présent document s’inscrit dans le cadre d’un processus du Secrétariat canadien des avis scientifiques (SCAS) visant à soutenir l’élaboration d’un programme de surveillance post-dépôt des médicaments et des pesticides utilisés dans les exploitations piscicoles marines au Canada. Ce rapport porte sur la conception de programmes d’échantillonnage visant à mesurer les rejets de produits chimiques associés aux pesticides de bain et aux médicaments administrés par voie alimentaire dans les exploitations aquacoles marines avec cages en filet au Canada. Le choix d’un plan d’échantillonnage post-dépôt devrait suivre une approche structurée et systématique comportant des objectifs clairement énoncés, des règles de décision, des tolérances relatives aux décisions, des contraintes d’échantillonnage, les coordonnées spatiales et temporelles des sites d’échantillonnage potentiels et des méthodes d’échantillonnage. Les plans d’échantillonnage basés sur des principes probabilistes (statistiques) sont préférables aux plans basés sur le jugement. Dans le cas des rejets de médicaments administrés par voie alimentaire, l’échantillonnage du fond devrait comporter plusieurs phases. La première phase consiste à délimiter et à cartographier les types de fond dans la zone d’intérêt. La deuxième phase vise à détecter l’emplacement et l’intensité des rejets en utilisant un plan et des méthodes d’échantillonnage appropriés, compte tenu des connaissances acquises lors de la première phase. La troisième phase, si elle est nécessaire, consiste à caractériser davantage les dépôts détectés et à surveiller les changements temporels dans les caractéristiques des dépôts (superficie, concentration). Les plans de la première phase devraient être basés sur une grille, ceux de la deuxième phase devraient comporter des plans aléatoires stratifiés avec une grille aléatoire ou la répartition aléatoire des échantillons dans les strates, et ceux de la troisième phase devraient employer des grilles aléatoires à plus petite échelle ou avec répartition aléatoire des échantillons dans des zones d’intérêt ciblées. Cette approche reconnaît qu’il existe des incertitudes inhérentes aux propriétés des rejets (emplacement, moment, durée, intensité, fréquence) et aux estimations du transport des substances rejetées, de leur dispersion, de leur dépôt et de leur redistribution. Elle permet également de minimiser les biais introduits par le jugement. Les approches probabilistes permettent de formuler des inférences statistiques et d’évaluer les compromis entre la précision des statistiques de l’échantillon et la rentabilité par rapport aux critères de tolérance. Ceci est particulièrement important pour la surveillance post-dépôt en aquaculture, où les aspects pratiques limitent généralement les efforts d’échantillonnage à des tailles d’échantillon relativement faibles, ce qui entraîne un risque significatif de sous-estimation de la superficie et de l’intensité des dépôts et une faible précision dans les estimations des concentrations des rejets in situ. Les suggestions générales pour les plans d’échantillonnage du fond incluent l’utilisation d’échantillonneurs de sédiments de fond dont les caractéristiques ne causent qu’une faible perturbation du fond et de l’échantillon (on utilisera des carottiers de préférence), ainsi que l’imagerie visuelle pour les fonds durs. Dans le cas des pesticides, les échantillons d’eau de bain devraient être prélevés juste avant le rejet. En raison de la nature constamment changeante du panache de rejet de pesticide, l’utilisation d’un plan d’échantillonnage probabiliste n’est pas pratique. Les méthodes d’échantillonnage généralement suggérées comprennent l’utilisation d’un traceur visible introduit dans l’eau du bain de pesticide avant son rejet. La surveillance régulière des bains de pesticide après leur rejet n’est probablement pas réalisable. Cependant, on devrait effectuer à l’occasion une surveillance ciblée afin d’aider à améliorer les modèles. Un effort d’échantillonnage minimal pourrait consister à prélever des échantillons d’eau au fil du temps à l’horizontale et à la verticale aux endroits où le traceur indique des zones de forte concentration de pesticide. On pourrait coupler l’imagerie à un échantillonnage supplémentaire in situ des concentrations de traceur et de pesticide pour produire des estimations étalonnées des zones de rejets. Lorsque le traceur indique un contact avec le fond marin, on pourrait alors procéder à un échantillonnage aléatoire ciblé par grille pour déterminer la concentration de la substance chimique ou son effet.
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 | 0.008 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".