Content of Heavy Metals in Soil and in Pineapple Fertilized With Sewage Sludge
Notice bibliographique
Résumé
The usage of sewage sludge in agriculture can increase the levels of heavy metals in the soil, compromising their use as fertilizer. The objective of this study was to evaluate the contamination of soil and pineapple by heavy metals after the application of treated sewage sludge by different forms in three orders of soils under greenhouse conditions. The treatments, in a factorial scheme 7 × 3 were distributed in a randomized complete block design with three replications, corresponding to seven fertilization management: soil without fertilization, chemical fertilization, fertilization with composted sludge sewage, fertilization with vermicompost sewage sludge, fertilization with solarized sewage sludge, fertilization as sewage sludge dried in a Bruthus-Albrecht rotary sludge dryer and fertilization with limed sludge sewage, combined with three orders of soils: Cambisol, Nitisol and Acrisol. The Zn, Cu, Cr, Pb, Ba, Cd, Ni, As and Se contents were analyzed in the soil, in the leaf of greater length (D leaf) and in the fruit pulp of the pineapple. The Acrisol provided more favorable conditions to the increase in the availability and absorption of Pb and As by D leaf and fruit of the pineapple. Fertilization with composted, vermicompost and solarized sewage sludge provided high levels of Pb, As, Zn in leaf D and in the pineapple fruit, relating the interference of sludge stabilization process with the absorption of metals by pineapple fruits.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».