Phytoremediation of Cu‐contaminated vineyard soils in Brazil: A compendium of Brazilian pot studies
Notice bibliographique
Résumé
Abstract Vineyard soils can be contaminated by copper (Cu) due to successive applications of fungicides and organic fertilizers. Soil remediation can be addressed by altering soil properties or selecting efficient Cu‐extracting cover crops tolerant to Cu toxicity. Our objectives were to synthesize the Cu‐extracting efficiency by plant species tested in Brazil, classify them according to Cu resistance to toxicity, and assess the effect of soil properties on attenuating Cu toxicity. We retrieved results from 41 species and cultivars, totaling 565 observations. Freshly added Cu varied between 50 and 600 mg Cu kg −1 of soil across studies. The partition of Cu removal between the above‐ and below‐ground portions was scaled as a logistic variable to facilitate data synthesis. The data were analyzed using the Adaboost machine learning model. Model accuracy (predicted vs. actual values) reached R 2 = 0.862 after relating species, cultivar, Cu addition, clay, SOM, pH, soil test P, and Cu as features to predict the logistic target variable. Tissue Cu concentration varied between 7 and 105 mg Cu kg −1 in the shoot and between 73 and 1340 mg Cu kg −1 in the roots. Among soil properties, organic matter and soil test Cu most influenced the accuracy of the model. Phaseolus vulgaris , Brassica juncea , Ricinus communis , Hordeum vulgare , Sorghum vulgare , Cajanus cajan , Solanum lycopersicum , and Crotolaria spectabilis were the most efficient Cu‐extracting cover crops, as shown by positive values of the logistic variable (shoot removal > root removal). Those Cu‐tolerant plants showed differential capacity to extract Cu in the long run.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».