Phytoremediation Study of Water Hyacinth (Eichhornia Crassipes) on Zinc Metal Ion (Zn2+)
Notice bibliographique
Résumé
The high level of community activity around the river has resulted in high levels of heavy metals contained in river water. Commonly found heavy metals such as zinc (Zn), mercury (Hg), and copper (Cu). To reduce or remove heavy metals in the waters, phytoremediation techniques are used. The purpose of this study was to determine the ability of water hyacinth plants (E. crassipes) in remediating Zn2+ metal in contaminated Lake Tempe water. The research method used includes the sampling process, acclimatization, physicochemical analysis, Zn analysis, Bio-Concentration Factor (BCF), and infrared (IR) analysis. The Zn concentration in Lake Tempe water decreased after 30 days of the phytoremediation process. And the highest adsorbed Zn (II) metal ions on water hyacinth plants was 77,257 ppm on the 30th day. It was found that there is a relationship between the BCF value and the phytoremediation time, the higher the phytoremediation time, the higher the BCF value obtained. IR data show the presence of Zn metal bonds in plants involving the functional groups C=S, C=N, and OH. This indicates that water hyacinth (E. crassipes) has the potential to be used as a phytoremediation agent in adsorbing Zn in Lake Tempe waters.
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 ».