MétaCan
Menu
Retour à la cohorte
Enregistrement W3099332513 · doi:10.1680/jenes.20.00056

Efficacy of drip irrigation in controlling heavy-metal accumulation in soil and crop

2020· article· en· W3099332513 sur OpenAlexvenueno aff
Deepak Singh, Neelam Patel, Sridhar Patra, Nisha Singh, Trisha Roy, Serena Caucci, Hiroshan Hettiarachchi

Notice bibliographique

RevueJournal of Environmental Engineering and Science · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWastewater Treatment and Reuse
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDrip irrigationEnvironmental scienceIrrigationGroundwaterWastewaterSoil waterEnvironmental engineeringAgronomySoil scienceGeologyBiology

Résumé

récupéré en direct d'OpenAlex

This study was aimed at identifying how drip irrigation could be useful in controlling heavy-metal issues, practically and affordably. A vegetable crop (i.e. cauliflower) was the subject of the test. Heavy-metal accumulation in soils and uptake by cauliflower curds were observed for two consecutive years. Municipal wastewater and groundwater were used for irrigation, to make it a comparative study. There were eight treatments: drip irrigation with groundwater through inline (non-pressure-compensating) surface drip (T 1 ), inline subsurface drip (T 2 ), bioline (pressure-compensating) subsurface drip (T 3 ), bioline surface drip (T 4 ) and the same drip systems using primarily treated municipal wastewater (T 5 to T 8 ). The results showed that significantly higher concentrations of heavy metals – namely, copper, iron, manganese and zinc – were recorded in cauliflower curds irrigated with wastewater compared with those irrigated with groundwater. Subsurface placement of pressure-compensating drip laterals was found more effective in reducing the heavy-metal concentrations in both cauliflower and soil profile compared with surface-placed non-pressure-compensating drip laterals. This study suggests that drip irrigation systems could be an effective method to reduce heavy-metal concentration in vegetable crops and soils irrigated with treated municipal wastewater.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,752
Score d'incertitude au seuil0,229

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 Opus0,011
Tête enseignante GPT0,208
Écart entre enseignants0,197 · 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'étudeObservationnel
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

Citations9
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Environmental Engineering and ScienceMême sujetWastewater Treatment and ReuseTravaux en français237 207