Role of Vermicomposting Microorganisms in the Conversion of Biomass Ash to Bio-Based Fertilizers
Notice bibliographique
Résumé
A high pH, low solubility of bound plant nutrients, and negative impacts on microbial communities are common drawbacks of biomass ash (BA) vermicomposting. In this study, nutrient-rich BA mixed with cow manure was tested at three different application rates to obtain final nitrogen (N), phosphorus (P), and potassium (K) contents of 3.5%, 7.0%, and 10.0% for bio-based fertilizers via vermicomposting. The results showed that all BA blends made with cow manure increased fermentation temperatures and allowed successful worm activity during the subsequent vermicomposting phase. The order of indicator enzyme activities in all vermicomposting samples was urease (220 μg NH4 g−1 h−1) > β-glucosidase (95 μg PNP g−1 h−1) > alkaline phosphatase (91 μg PNP g−1 h−1) > arylsulfatase (83 μg PNP g−1 h−1) > acid phosphatase (60 μg PNP g−1 h−1). As an indicator of nutrient bioavailability, high correlations were observed between enzyme activities and microbial diversity in vermicompost samples. Determination coefficients (R2) obtained from multiple linear regressions between enzyme activities and bacterial population for T0, T1, T2, and T3 were determined as 0.90, 0.65, 0.73, and 0.90, respectively. According to a novel metagenome-based approach proposed within the scope of the present study, the stimulatory effects of Flavobacteriales, Burkholderiales, Saccharimonadales, and Pseudomonadales on enzyme activities for the nutrient solubility were found to be significant and positive. The findings of this study demonstrated that worm composting could be a sustainable bio-based technology for the production of slow-release fertilizer from nutrient-rich waste material.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».