Surface and Ground Waters Concentrations of Metal Elements in Central Cross River State, Nigeria, and their Suitability for Fish Culture
Notice bibliographique
Résumé
One of the requirements for fish farming is good water quality, void of pollutants. Some heavy metals such as Magnesium, Calcium, Zinc and Iron, which are important in daily life processes, could become pollutants above the required concentrations. Others such as Mercury (Hg), Arsenic (As), Silver (Ag), and Cadmium (Cd) are not required by organisms even at low concentrations. Surface and ground water were investigated for heavy metals concentration to establish their suitability for fish culture. Three surface water bodies (a river, stream and fish pond) and ground water stations (dugout well and two bore holes) were sampled. Heavy metals were analyzed spectrophotomically at different wave lengths. Data were collated and subjected to analysis of variance which showed that heavy metal concentration in order of abundance was pond, river, stream, dug out well and the bore holes. Heavy metals were therefore, more concentrated in surface water than in ground water (p < 0.05). Surface water contain run off from within their basins while ground water contain what has been sieved into it from the surrounding. Hardness which is a measure of Calcium (Ca) and magnesium (Mg) salts were higher in ground water compared to surface water. Heavy metal concentration were Cu = 0.06 - 0.97 mg/l, Cd = 0.0 - 0.0013 mg/l, Zn = 0.04 – 2.97 mg/l, Ni = 0.0 – 0.43 mg/l, Mn = 0.1 – 3.67 mg/l, Fe = 0.95 – 5.11 mg/l and Al = 0.02 - .02 mg/l. Though heavy metals have no safe concentration for living organisms, the metals were observed to be lower than concentrations recommended by several bodies including Food and Nutrition Board (USA) and Food and Drug Administration Control (NAFDAC in Nigeria).
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».