Silver nanoparticles enter the tree stem faster through leaves than through roots
Notice bibliographique
Résumé
A major environmental pollution problem is the release into the atmosphere of particulate matter, including nanoparticles (NPs), which causes serious hazards to human and ecosystem health, particularly in urban areas. However, knowledge about the uptake, translocation and accumulation of NPs in plant tissues is almost completely lacking. The uptake of silver nanoparticles (Ag-NPs) and their transport and accumulation in the leaves, stems and roots of three different tree species, downy oak (Quercus pubescens Willd.), Scots pine (Pinus sylvestris L.) and black poplar (Populus nigra L.), were assessed. In the experiment, Ag-NPs were supplied separately to the leaves (via spraying, the foliar treatment) and roots (via watering, the root treatment) of the three species. Uptake, transport and accumulation of Ag were investigated through spectroscopy. The concentration of Ag in the stem was higher in the foliar than in the root treatment, and in poplar more than in oak and pine. Foliar treatment with Ag-NPs reduced aboveground biomass and stem length in poplars, but not in oaks or pines. Species-specific signals of oxidative stress were observed; foliar treatment of oak caused the accumulation of H2O2 in leaves, and both foliar and root treatments of poplar led to increased O2- in leaves. Ag-NPs affected leaf and root bacteria and fungi; in the case of leaves, foliar treatment reduced bacterial populations in oak and poplar and fungi populations in pine, and in the case of roots, root treatment reduced bacteria and increased fungi in poplar. Species-specific mechanisms of interaction, transport, allocation and storage of NPs in trees were found. We demonstrated definitively that NPs enter into the tree stem through leaves faster than through roots in all of the investigated tree species.
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 | 0,000 |
| 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 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».