Metal contents of some selected vegetables grown in Bodoland territorial region of Assam, India
Notice bibliographique
Résumé
Metals play a crucial role in the metabolic pathways during the growth of vegetable plants. The presence of heavy metals or trace metals also takes a vital role in the nutrient quality of a vegetable. The vegetables are an inevitable part of the human diet and provide essential nutrients to maintain the normal functioning of human health and growth. The application of fertilizers and pesticides facilitates the accumulation of heavy metals by the vegetables grown in the fields. Consumption of heavy metals beyond the permissible limit along with vegetables may impact human health. Moreover, the production of nutritious food and its safety is an important aspect of the measure of any nation’s economy. Considering all these points, the present work was undertaken to analyze the heavy metal contents in the six mostly produced and consumed vegetables grown in Bodoland Territorial Region (BTR), a tribal-dominated region of the state Assam, India. The vegetables analyzed were fern leaves (Diplazium esculentum), jute leaves (Corchorus olitorius), green arum leaves (Colocasia esculenta), pointed gourd (Trichosanthes dioica), yard long bean (Vigna unguiculata ssp. Sesquipedalis) and spiny gourd (Momordica dioica). The metals analyzed were Cu, Fe, Ni, and Zn. The presence of heavy metals was detected in all the vegetable samples.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».