Willow Aboveground and Belowground Traits Can Predict Phytoremediation Services
Notice bibliographique
Résumé
The increasing number of contaminated sites worldwide calls for sustainable remediation, such as phytoremediation, in which plants are used to decontaminate soils. We hypothesized that better anchoring phytoremediation in plant ecophysiology has the potential to drastically improve its predictability. In this study, we explored how the community composition, diversity and coppicing of willow plantations, influenced phytoremediation services in a four-year field trial. We also evaluated how community-level plant functional traits might be used as predictors of phytoremediation services, which would be a promising avenue for plant selection in phytoremediation. We found no consistent impact of neither willow diversity nor coppicing on phytoremediation services directly. These services were rather explained by willow traits related to resource economics and management strategy along the plant "fast-slow" continuum. We also found greater belowground investments to promote plant bioconcentration and soil decontamination. These traits-services correlations were consistent for several trace elements investigated, suggesting high generalizability among contaminants. Overall, our study provides evidence, even using a short taxonomic (and thus functional) plant gradient, that traits can be used as predictors for phytoremediation efficiency for a broad variety of contaminants. This suggests that a trait-based approach has great potential to develop predictive plant selection strategies in phytoremediation trials, through a better rooting of applied sciences in fundamental plant ecophysiology.
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) | 0,000 | 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 ».