Removal of nutrients from hydroponic greenhouse effluent by alkali precipitation and algae cultivation method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract BACKGROUND: Hydroponic greenhouse effluent has high concentrations of total phosphorus (30–100 mg PO 4 ‐P L −1 ) and nitrates (200–300 mg NO 3 ‐N L −1 ). Current technologies for effluent treatment have limitations of performance and high maintenance costs. The goals of this study were to investigate strategies which combine alkali treatment and microalgae cultivation for removal of nutrients from hydroponic greenhouse effluent. RESULTS: Treatment with strong alkali was found to effectively remove 97% of total phophorous especially in the form of phosphate, without affecting the nitrate ion concentration in the greenhouse effluent. After alkali treatment, marine algae Dunaliella salina (UTEX 1644) cultivation on treated hydroponic effluent (pH 7.5) showed > 80% decrease in nitrate content in the effluent within 4 days of cultivation. In the same period, the carotene content of the micro‐algal system was in the range 0.5 ± 0.02 µg mg −1 (dry cell weight) which was 1.5 times higher than in the control. CONCLUSION: This study demonstrated that combination of a conventional alkali precipitation method with a microalgae treatment system is a highly efficient approach for the removal of excess nutrients from hydroponic greenhouse effluent in a short treatment time. The microalgae can provide a source of value in the form of carotene. © 2012 Society of Chemical Industry
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 découle