MétaCan
Menu
Retour à la cohorte
Enregistrement W3042314863 · doi:10.5539/jas.v12n8p1

Biochar Effects on Nutrients Retention and Release of Hydroponics Growth Media

2020· article· en· W3042314863 sur OpenAlexvenueno aff
Mohammed Taha Haraz, Les Bowtell, Raed A. Al-Juboori

Notice bibliographique

RevueJournal of Agricultural Science · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueInnovations in Aquaponics and Hydroponics Systems
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Southern Queensland
Mots-clésBiocharNutrientLeaching (pedology)HydroponicsChemistryPotassiumAgronomyNitrateEnvironmental scienceSoil waterBiologySoil science

Résumé

récupéré en direct d'OpenAlex

Applying biochar (BC) to broad acre crops is an effective way to sequester carbon while improving soil fertility and reducing nutrient leaching. Adopting a similar approach in a hydroponic environment, BC may enhance nutrient availability and reduce natural fluctuations in the nutrient solution. This study monitored the effect of BC addition to peatmoss growth media with ratios of 0%, 5%, 25% and 50% on pH, electrical conductivity (EC) and macronutrient retention, over 15 days using hydroponic nutrient solution controls. Deionised water was used to measure nutrient releases in the closed loop hydroponic system, showing that biochar increased pH level in both retention and release stages. As expected, the pH increased by a maximum of 1.5 units with the highest biochar to growth media ratio due to the natural liming nature of the BC. The EC was also affected, as BC increased in the media EC reduced. With regards to retention of nutrients, BC recovered nitrate, phosphate, calcium and sulphate but did not affect magnesium. Potassium levels increased in solution with increasing BC ratio. In terms of outcomes relevant to global agriculture, the results show that the same level of production can nominally be obtained with around half the nutrient requirements.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,470
Score d'incertitude au seuil0,163

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,015
Tête enseignante GPT0,211
Écart entre enseignants0,196 · 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

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetInnovations in Aquaponics and Hydroponics SystemsTravaux en français237 207