MétaCan
Menu
Retour à la cohorte
Enregistrement W4251663539 · doi:10.1016/s1365-6937(16)70016-5

Alfa Laval AB, Sweden

2016· article· en· W4251663539 sur OpenAlexaboutno aff

Notice bibliographique

RevueFiltration Industry Analyst · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality Monitoring and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUreaNitrateNutrientNitrogenPhotosynthesisChemistryBioavailabilityEnvironmental chemistryChlorophyllChlorophyll aEC50BotanyBiologyBiochemistry

Résumé

récupéré en direct d'OpenAlex

Nitrogen nutrients and nickel(Ni) are ubiquitous in aquatic environments, and they are important for primary production of ocean ecosystem. This study examined the interaction of nitrogen nutrients (specifically urea and nitrate) and Ni on chlorophyll (Chl a) concentration and photosynthesis parameters values of Prorocentrum donghaiense and Skeletonema costatum. The data presented here indicate that low concentration of Ni for P. donghaiense and S. costatum can enhance both Chl a concentration and photosynthesis parameters values when grown in urea containing environment. Despite this increase there was also an observed depression in both species tested when incubated in high concentration of Ni for P. donghaiense and S. costatum regardless of incubating in urea or nitrate. Additionally, EC50 values of Chl a and Fv/Fm for Ni at different time intervals were calculated in this study. These observations indicated that the Ni tolerance was higher in P. donghaiense as compared to S. costatum. The Ni tolerance of P. donghaiense incubated in urea was higher than that incubating in nitrate. The same phenomenon was not observed in S. costatum, which indicated that the influence of urea was dependent on the species investigated. Thus, urea input could impact Ni bioavailability and toxicity, and then affect the biodynamics thereafter.

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 consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,257
Score d'incertitude au seuil0,999

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)0,0060,002

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 Opus0,027
Tête enseignante GPT0,264
Écart entre enseignants0,237 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFiltration Industry AnalystMême sujetWater Quality Monitoring and AnalysisTravaux en français237 207