MétaCan
Menu
Retour à la cohorte
Enregistrement W4312660056 · doi:10.15406/jabb.2022.09.00295

Effect of sewage polluted by heavy metal on domestic crops

2022· article· en· W4312660056 sur OpenAlexaboutno aff
Delfino Marín-Mendoza, Gabriel Gallegos‐Morales, Jesus Jaime Hernández-Escareño, Juan Manuel Sánchez–Yáñez

Notice bibliographique

RevueJournal of Applied Biotechnology & Bioengineering · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWastewater Treatment and Reuse
Établissements canadiensnon disponible
Organismes subventionnairesDirectorate for Biological SciencesUniversidad Michoacana de San Nicolás de HidalgoUniversidad Autónoma de Nuevo León
Mots-clésEnvironmental scienceAgricultureIrrigationSewageAgronomyYield (engineering)CropHeavy metalsGreenhouseEnvironmental protectionEnvironmental engineeringBiologyChemistryEcologyEnvironmental chemistry

Résumé

récupéré en direct d'OpenAlex

The application of sewage water (SW) to irrigate and feed agricultural crops in Mexico is widespread due to the problem of scarcity in the country, and in the world. Agricultural crops not eaten raw irrigated and fed with SW benefit and/or harm directly or indirectly by the chemical composition that in industrial cities that includes heavy metals of risk to human health. The objective of this work was to analyze the effect of sewage with heavy metals on the growth and yield of an agricultural soil of "El Canada" N.L. Mexico. Compared with plant growth and yield in a soil from Cadereyta, Nuevo León, Mexico in greenhouse irrigated with ground water and conventional chemical fertilization. For which the concentration of heavy metals of the SW in the plant and the soil was determined. The results show that the SW used in the irrigation of agricultural crops supported plant growth. With no evidence that heavy metals caused any negative effect on plant growth and yield, despite the length of SW use, it is believed that some of these crops have developed tolerance to heavy metals regarding the risk to be consume by humans and animals

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 candidatesaucune
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 enseignants0,015
Score d'incertitude au seuil0,537

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)0,0000,000

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 Opus0,002
Tête enseignante GPT0,188
Écart entre enseignants0,186 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Biotechnology & BioengineeringMême sujetWastewater Treatment and ReuseTravaux en français237 207