MétaCan
Menu
Retour à la cohorte
Enregistrement W2104908086 · doi:10.9755/ejfa.v26i9.18202

Phytoremediation - A sustainable approach for contaminant remediation in arid and semi-arid regions ? a review

2014· review· en· W2104908086 sur OpenAlexfundno aff
Prabha K. Padmavathiamma, Mushtaque Ahmed, Hayder A. Abdel Rahman

Notice bibliographique

RevueEmirates Journal of Food and Agriculture · 2014
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueHeavy metals in environment
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPhytoremediationAridEnvironmental remediationEnvironmental scienceHeavy metalsEnvironmental engineeringContaminationSoil waterEcologyEnvironmental chemistrySoil scienceBiologyChemistry

Résumé

récupéré en direct d'OpenAlex

Existing information relating to the application of phytoremediation in arid regions, for mitigating the toxicity of organic and inorganic contaminants is summarized, emphasizing the comparative merits of different phytostrategies.Adverse climatic conditions in arid and semi-arid environments along with the intrinsic abiotic stresses need specific considerations, which are discussed here.The current "state of art" for petrochemical and metal phytoremediation, as well as phytodesalination is presented, making it possible to choose the very best decision, when the technology is applied for various contaminant scenarios.Information is also provided on contaminants in arid regions, remediation approaches and different phytoremediation strategies to be adopted, depending on the nature of contaminants and the site situations.Furthermore, phytodesalination may well occur in parallel with phytoremediation of heavy metal polluted soils in arid regions, enhancing the potential of this process.This has drawn a great deal of interest during recent years and is reviewed here.Finally, the lacunae in the current knowledge are identified, which has to be addressed to improve the effectiveness of phytoremediation under arid conditions.

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)0,000
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,017
Tête enseignante GPT0,256
Écart entre enseignants0,239 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations39
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEmirates Journal of Food and AgricultureMême sujetHeavy metals in environmentTravaux en français237 207