Mobility of heavy metals in soils amended with sewage sludge
Notice bibliographique
Résumé
Sewage sludges added to arable land can improve soil fertility and physical properties. However, the concentrations of heavy metals commonly found in sludges limits their application to soil. The purpose of this paper is to evaluate the mobility of heavy metals (Cd, Cu, Ni, Pb and Zn) in four soils amended with different rates (0, 80, 60 and 320 t ha –1 ) of anaerobically stabilized urban sewage sludge. Total metal content in the sewage sludge was Zn >> Cu > Pb > Ni >> Cd. Sludge, soils and sludge-soil mixtures were fractionated by the Tessier sequential extraction procedure. The fractions extracted by H 2 O 2 /HNO 3 and NH 2 OH.HCl were the most abundant pools for metals under study. The apparent mobility of metals in the sludge was Zn ≈ Cd ≈ Ni > Pb > Cu. The addition of sewage sludge in soils increased the percentages of metal extracted in non-residual fractions. ANOVA showed that the most significant increases were those of Zn, followed by Cu and Pb; there were no statistical differences (P < 0.05) for Ni and Cd. Exchangeable Zn from sludge was immobilized in basic soils. The other trace metals showed no fraction redistribution. The soils and sludge-treated soil samples were also extracted with EDTA and DTPA. Extraction with EDTA was more sensitive to soil type, whereas extraction with DTPA showed wider variation with metals. Both chelates seemed to be more effective to assess the mobility of metals added with the sludges at low concentrations than the Tessier’s chemical partitioning. Key words: Soils, sewage sludge, heavy metals, mobility
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».