Identification of Wild Grass as Remediator Plant on Artisanal Gold Mine Tailing
Notice bibliographique
Résumé
Tailings, waste processing from gold ore separation (amalgamation), is generally disposed of on agricultural land, so the land became polluted and unproductive. Remediation of contaminated land can use wild plants as a potential agent of phytoremediation. Surrounding the mine area are found various kinds of wild plants that grow well and potentially as remediator plants. This study aimed to obtain the kinds of plants that grow around the gold mining activities of the people and has the potential as a crop Remediator. The study was conducted in the areas surrounding the gold mine of the people in Pesanggaran, Banyuwangi District East Java Province. Exploration carried out using wild plants transect method. Plants that had the highest IIV value has the life skills and high adaptability. Soil analysis results in tailings disposal site showed a low content of soil fertility, such as pH 7.7 to 7.9 (alkaline), C-organic (0.14%), N (0.13%), P (5.7 mg kg-1), K (0.11 me/100g), and CEC (13 me/100g). The content of heavy metals Hg and Pb were detected has exceeded the threshold value (NAV) is required, which is 251.2 mg kg-1 and 135.2 mg kg-1. The results showed that the people around the gold mine site, there are about 31 species of wild plants that have adapted, 6 species of plants which have potential as Remediator. ie Eleusine inica, Chromolaena odorata, Ageratum conyzoides, Amaranthus, spp., Sesbania grandiflora and Momordica charantia, with IIV 22.27%, respectively 22.02%, 15.20%, 14.57%, 13 , 97%, and 12.49%.
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 | 0,001 | 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 ».