MétaCan
Menu
Retour à la cohorte
Enregistrement W3125384326 · doi:10.1002/clen.202000262

Using Native Woody Plants for Phytomanagement of Urban Technosols Contaminated by Wood Pole Preservatives

2021· article· en· W3125384326 sur OpenAlexaff
Philippe Heine, Sara Yavari, Cédric Frenette‐Dussault, Gérald J. Zagury, Jacques Brisson, Michel Labrecque

Notice bibliographique

RevueCLEAN - Soil Air Water · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHeavy metals in environment
Établissements canadiensPolytechnique MontréalUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceLand reclamationEnvironmental remediationContaminationWoody plantNative plantIntroduced speciesBotanyEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Technosols are a major component of urban areas with little to no value, but many benefits can be gained by the use of native plants for their ecological reclamation. The aim of this study is to examine the capacity of North American native woody species to establish in and remediate a wood preservative‐contaminated technosol. Nine species are planted in mesocosms containing highly contaminated or non‐contaminated synthetic technosols. Remediation potential and plant physiology parameters (survival, photosynthesis and root growth) are monitored during one growing season. Results show an inverse relation between species performance ranking in the non‐contaminated technosol compared to ranking in contaminated soil. Overall, Salix bebbiana and Sambucus canadensis show good potential for phytomanagement of heterogenous contaminated technosols, offering the best compromise between performance in non‐contaminated and contaminated soils. Most species are able to phytoextract copper (Cu), with Rhus typhina , Alnus crispa , and S. bebbiana showing the highest Cu concentrations in stems. The use of multiple native species for technosol reclamation can be beneficial due to the heterogeneous nature of soil contaminants.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,020
Score d'incertitude au seuil1,000

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 ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,024
Tête enseignante GPT0,258
Écart entre enseignants0,234 · 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.

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

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCLEAN - Soil Air WaterMême sujetHeavy metals in environmentTravaux en français237 207