Predicting the bioavailability of copper and zinc in soils: Modeling the partitioning of potentially bioavailable copper and zinc from soil solid to soil solution
Notice bibliographique
Résumé
This research produced statistically based, semimechanistic models describing partitioning of Cu and Zn in 40 soils from the United States, Canada, the United Kingdom (UK), The Netherlands, and Chile with widely varying characteristics. Two different types of models were constructed, partitioning models and competitive adsorption models. Multiple linear regression (MLR) was employed to prioritize over 30 different soil characteristics. Multiple linear regression yielded equations predicting the partitioning of Cu and Zn. Equations were also created that estimated the potentially bioavailable fraction of Cu and/or Zn. Data from plant uptake studies (which are reported separately) governed the choice of a suitable chemical soil extraction that estimated bioavailable Cu (0.01 M HCl) and bioavailable Zn (0.01 M CaCl2). Soil pH (1:1 soil:deionized water [DI H2O]) and percent organic matter accounted for approximately 70% of the variability in Cu partitioning and 80% of the variability in bioavailable Cu in the 40 soils studied. For Zn, soil pH alone accounted for roughly 75% of the partitioning variability and 80% of the variability for the estimated bioavailable portion. The results presented here were used in conjunction with results from the plant uptake studies for the creation of models to assess the potential bioavailable metal associated with any given soil from a wide variety of locations.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».