Phytoremediation of Zinc, Copper, and Lead Using Ipomoea Aquatica in Water Contaminants
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Lake Tempe in the Wajo Regency, South Sulawesi (Indonesia) is highly toxic due to metal pollution from industrial activities and the activities of residents living around the region. Zinc-contaminated water poses a potential threat to biotic communities. This research aims to develop phytoremediation technology to effectively remove toxic zinc from contaminated lake Tempe. The use of plants as phytoremediation agents to accumulate metals in polluted water is considered adequate because the method is environmentally friendly and presents economic value. This study was therefore designed to assess the phytoremediation potential of water spinach against zinc (Zn), copper (Cu), and lead (Pb). Water spinach was planted in Tempe lake contaminated with zinc (Zn), copper (Cu), and lead (Pb) metals, and the study was conducted for 30 days under natural conditions. Subsequently, the Tempe lake physicochemical properties, including pH, TDS, TSS, total nitrogen, total phosphate as P, and Zn content, were measured, before and after the phytoremediation process. The ability of plants to absorb zinc (Zn), copper (Cu), and lead (Pb) were assessed by the bioconcentration factor (BCF). The results showed that there was a correlation between the BCF value and the phytoremediation time. The longer the phytoremediation time, the higher the BCF value are obtained. Infra-Red (IR) data shows the presence of metal binding in plants with the functional groups C=S, C=N, and OH. Water spinach has the potential as a phytoremediation agent in remediating zinc (Zn), copper (Cu), and lead (Pb) metals in polluted lake Tempe water.
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.
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 | 0,001 | 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 découle