MétaCan
Menu
Retour à la cohorte
Enregistrement W2949025093 · doi:10.3390/agronomy9060282

Gypsum and Coal-bed Methane Water Modify Growth Media Properties, Nutrient Uptake, and Essential Oil Profile of Lemongrass and Palmarosa

2019· article· en· W2949025093 sur OpenAlexaff
Valtcho D. Zheljazkov, Tess Astatkie, Urszula Norton, Ekaterina A. Jeliazkova

Notice bibliographique

RevueAgronomy · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBioenergy crop production and management
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésGeraniolTap waterGypsumChemistryNutrientHorticultureEssential oilAgronomyEnvironmental engineeringEnvironmental scienceFood scienceMaterials scienceBiologyMetallurgy

Résumé

récupéré en direct d'OpenAlex

Coal-bed methane (CBM), an important energy source, coproduces a vast amount of saline-sodic wastewater, CBM water (CBMW), with environmental and economic disposal issues. This research evaluated under a greenhouse production system the influence of gypsum (CaSO4·2H2O) and CBMW on yields, essential oil (EO) content and composition in lemongrass (Cymbopogon flexuosus) and palmarosa (C. martinii), and on growth medium pH and available nutrients. CBMW treatments had higher pH than tap water treatment. Gypsum reduced pH in all CBMW treatments but did not affect pH in tap water treatment. While CBMW may increase the available Cu and Fe in growth medium, the application of gypsum may negate this effect. CBMW significantly increased growth medium Na. Gypsum increased growth medium S, and CBMW increased S in the high gypsum treatments. Palmarosa height, fresh weight, geranyl acetate, and isoneral in lemongrass EO were reduced, while geraniol in palmarosa EO increased with CBMW relative to tap water. In distillation waste plant tissue, CBMW increased Na in lemongrass and palmarosa by almost eight times; increased total P, S, and Mn in palmarosa; and reduced total N, S, Ca, and Mg in lemongrass and Ca in palmarosa, relative to tap water. This study demonstrated that CBMW may be used for greenhouse production of high-value crops, but it may affect the yields and oil content of some crops and growth medium characteristics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,151
Score d'incertitude au seuil0,219

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,178
Écart entre enseignants0,165 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgronomyMême sujetBioenergy crop production and managementTravaux en français237 207