Moisture Effects on Nitrogen Availability in Municipal Biosolids from End-of-Life Municipal Lagoons
Notice bibliographique
Résumé
Nitrogen (N) availability affects plant biomass yield and, hence, phytoextraction of contaminants during phytoremediation of end-of-life municipal lagoons. End-of-life lagoons are characterized by fluctuating moisture conditions, but the effects on biosolid N dynamics have not been adequately characterized. This 130-d laboratory incubation investigated effects of three moisture levels (30, 60, and 90% water-filled pore space [WFPS]) on N mineralization (N) in biosolids from a primary (PB) and a secondary (SB) municipal lagoon cell. Results showed a net increase in N with time at 60% WFPS and a net decrease at 90% WFPS in PB, while N at 30% WFPS did not change significantly. Moisture level and incubation time had no significant effect on N in SB. Nitrogen mineralization rate in PB followed three-half-order kinetics. Potentially mineralizable N (N) in PB was significantly greater at 60% WFPS (222 mg kg) than at 30% WFPS (30 mg kg), but rate constants did not differ significantly between the moisture levels. Nitrogen mineralization in SB followed first-order kinetics, with N significantly greater at 60% WFPS (68.4 mg kg) and 90% WFPS (94.1 mg kg) than at 30% WFPS (32 mg kg). Low N in SB suggests high-N-demanding plants may eventually have limited effectiveness to remediate biosolids in the secondary cell. While high N in PB would provide sufficient N to support high biomass yield, phytoextraction potential is reduced under dry and near-saturated conditions. These results have important implications on the management of moisture during phytoextraction of contaminants in end-of-life municipal lagoons.
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) | 0,001 | 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) | 0,001 | 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 ».