Aided Phytoremediation to Clean Up Dioxins/Furans-Aged Contaminated Soil: Correlation between Microbial Communities and Pollutant Dissipation
Notice bibliographique
Résumé
To restore and clean up polluted soils, aided phytoremediation was found to be an effective, eco-friendly, and feasible approach in the case of many organic pollutants. However, little is known about its potential efficiency regarding polychlorinated dibenzo-p-dioxins and furans-contaminated soils. Thus, phytoremediation of aged dioxins/furans-contaminated soil was carried out through microcosm experiments vegetated with alfalfa combined with different amendments: an arbuscular mycorrhizal fungal inoculum (Funneliformis mosseae), a biosurfactant (rhamnolipids), a dioxins/furans degrading-bacterium (Sphingomonas wittichii RW1), and native microbiota. The total dioxins/furans dissipation was estimated to 23%, which corresponds to 48 ng.kg−1 of soil, after six months of culture in the vegetated soil combined with the four amendments compared to the non-vegetated soil. Our findings showed that the dioxins/furans dissipation resulted from the stimulation of soil microbial enzyme activities (fluorescein diacetate hydrolase and dehydrogenase) and the increase of bacterial abundance, richness, and diversity, as well as fungal diversity. Amplicon sequencing using Illumina MiSeq analysis led to identification of several bacterial (Bacillaceae, Sphingomonadaceae) and fungal (Chaetomium) groups known to be involved in dioxins/furans degradation. Furthermore, concomitant cytotoxicity and dioxins/furans concentration decreases were pointed out in the phytoremediated soil. The current study demonstrated the usefulness of combining different types of amendments to improve phytoremediation efficacy of aged dioxins/furans-contaminated soils.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».