Biomass Production and Antioxidative Enzyme Activities of Sunflower Plants Growing in Substrates Containing Sediment from a Tropical Reservoir
Notice bibliographique
Résumé
Many Brazilian reservoirs are intensely submitted to the silting process, particularly the small and medium size ones. The study aimed to examine the feasibility of using silt sediment to grow sunflower plants under conditions of water stress, by evaluating its effects on the relative chlorophyll contents, dry matter and antioxidative enzyme system. The study was conducted under greenhouse conditions at the Instituto Federal do Ceará Campus Maracanaú, Brazil. The sunflower seeds were sown in buckets containing 1) sand; 2) sand + manure/mixed organic fertilizer; 3) sand + 91.8 g of sediment, and 4) sand + 183.6 g of sediment. The sediment was collected from the Tijuquinha reservoir, Northeast of Brazil. The plants were watered daily to 70% field capacity. At 16 days after sowing, irrigation to half of each group of seedlings was suspended. The experimental design was completely randomized in a 2 × 4 factorial with five replicates. The data of each harvest time were analysed by analysis of variance and the means were compared by Tukey’s test (P ≤ 0.05). The addition of silt sediment improved the variables (relative chlorophyll content, and shoot and total dry matters) compared to plants grown in substrate containing sand and sand + compost/mixed organic fertilizer, respectively. In general, a greater increase in the variables was observed with the 200% nitrogen recommendation treatment than the other treatments studied. It is possible that the silt sediment from reservoirs can be an alternative to chemical fertilizers for plant cultivation, reducing production costs, providing improvements in the quality of potable water and restoring the storage capacity of surface reservoirs lost by siltation.
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 | 0,000 | 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 | 0,002 |
| Science ouverte | 0,000 | 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 ».