Mineral Composition of Lettuce Grown in Hydroponic System With Wastewater
Notice bibliographique
Résumé
The use of treated effluents is not a new practice in agriculture, however, the optimization of wastewater was given with mineral fertilizers to grow lettuce in a hydroponic system, subject that is still barely studied. The objective of this study was to evaluate the mineral composition of three lettuce cultivars (Verônica, Vanda and Thais) in a hydroponic system using wastewater, well water and optimized nutrient solutions. The plants was grown in seven nutrient solutions, as S1 = Furlani solution; S2 = domestic wastewater; S3 = optimized domestic wastewater; S4 = well water; S5 = optimized well water; S6 = wastewater UASB and S7 = optimized UASB wastewater and the sub-plot for three lettuce cultivars. It was verified that the treatments S2, S4 and S6 when compared with the respective optimized solutions S3, S5 and S7 presented lower levels of nitrogen, potassium, calcium, zinc, copper and manganese in the two experiments. Same behavior was not observed for phosphorus and sodium. As for the cultivars, they presented, regardless of the experiment, mineral composition similar to each other when the same nutrient solution was used.
Conservé avec la notice de tri, où il sert de preuve aux étiquettes ci-dessus.
Comment cette classification a été obtenuedéplier
Le tri à trois modèles
les 5 600 travaux triés →Les trois modèles l'ont jugé hors champ.
Agronomy experiment on the mineral composition of hydroponic lettuce grown with wastewater.
It studies mineral composition in hydroponically grown lettuce, not research practice.
Agricultural hydroponics study of lettuce mineral composition with wastewater.
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».