GEOCHEMICAL FRACTIONATION OF TOXIC TRACE HEAVY METALS (CR, CU, PB, AND ZN) FROM THE ESTUARINE SEDIMENTS OF 5 RIVER MOUTHS AT JAKARTA BAY, INDONESIA
Notice bibliographique
Résumé
Jakarta Bay is located at the north coast of Jakarta bordered by 106 03\'00\'\' Longitude and 6 10\'30\'\' Latitude. Administratively bordered by Bekasi Regency on the east and Tangerang Regency on the west. There are 13 -19 rivers flow to the bay with 2050 industries that produce hazardous waste, including heavy metals. Metal concentrations in surface sediments and their spatial distributions have increased, recently. Concentration of Pb during 10 years period increase from 23.3 mg kg-1 to 118.2 mg kg-1. The objectives of this study is to know the distribution of Chromium (Cr), Copper (Cu), Lead (Pb), and Zinc (Zn) of Jakarta Bay, Indonesia and their geochemical partition in marine sediments that are bound to âExchangeable Fractionâ, âReducible Fractionâ, âFe-Mn Oxide Fractionâ, âOxidize able Fractionâ, and âResidual Fractionâ. The result showed that the concentration of heavy metals in the sediments in most locations were above the Canadian Standard for Contaminated sediments. Concentration of Cr ranged from 48.68—292.09 ppm, Cu ranged between 18.62—151.82 ppm, Pb ranged from 39.7—303.42 ppm, and Zn ranged between 165.83—487.69 ppm. Standard for Cr, Cu, Pb, and Zn are 22 ppm, 30 ppm, 25 ppm, and 60 ppm, respectively. Percent fraction of Cr in labile fraction (F1, F2, and F3) ranged from 30-60 %, while for Cu, its percent fraction mostly bound to lithogenic fraction as much as 38–78%. Percent of labile fraction of Pb ranged from 22-54 %, while for Zn as much as 15-72%. These meant that not only Cr but also Pb and Zn were possible to be easily released in the environment as bioavailable metals for biota, especially, benthic invertebrates
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».