MétaCan
Menu
Retour à la cohorte
Enregistrement W2037397143 · doi:10.4000/vertigo.1227

Production de biogaz et de compost a partir de la jacinthe d’eau pour un développement durable en Afrique sahélienne

2008· article· fr· W2037397143 sur OpenAlexvenueno aff
O. Almoustapha, J. Millogo‐Rasolodimby, Siméon Kenfack

Notice bibliographique

RevueVertigO · 2008
Typearticle
Languefr
DomaineAgricultural and Biological Sciences
ThématiqueBiological Control of Invasive Species
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCompostForestryBiologyGeographyAgronomy

Résumé

récupéré en direct d'OpenAlex

Dans le parc urbain Bangr-Wéoogo de la commune de Ouagadougou (Burkina Faso) la prolifération de la jacinthe d’eau menace la conservation de la biodiversité. L’application de la lutte intégrée, n’a pas permis l’éradiquer. L’objectif de l’étude, est de contribuer à la mise en place d’un protocole de gestion de Eichornia crassipes qui associe à la lutte mécanique la valorisation par la production de biogaz et de compost. Les résultats montrent une importante production de biomasse avec une proportion de matière sèche (MS) de 6,12%. Les expérimentations, menées avec des digesteurs de type discontinu de 200 litres de capacité avec pour substrat 60 kg de la jacinthe d’eau ensemencée avec 20 litres de purin de bactéries méthanogènes indique une production moyenne de bio gaz de 1440 litres de bio gaz pour 3,67 kg de matières sèche de jacinthe soit 392,37 litres /kg/MS. Les composts issus de ces expérimentations contiennent en moyenne 0,75 kg de composés azotés, 10,6 kg de composés phosphatés et 1,1 kg de carbone organique. L’application de cette technologique dans les zones humides infestées par E. crassipes présente plusieurs avantages : production d’énergie, de compost et contrôle de la prolifération de la jacinthe d’eau.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,243
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVertigOMême sujetBiological Control of Invasive SpeciesTravaux en français237 207