MétaCan
Menu
Retour à la cohorte
Enregistrement W4394895623 · doi:10.17504/protocols.io.n2bvj37qplk5/v1

Precision thin sectioning of silica phytoliths by Focused Ion Beam (FIB-SEM) v1

2024· preprint· en· W4394895623 sur OpenAlexaff
Djanira Rodrigues Negrão, J. C. Cezar, Fabiano Emmanuel Montoro, Jian Wang, Charles W. Rice, Carlos Driemeier

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSilicon Effects in Agriculture
Établissements canadiensCanadian Light Source (Canada)
Organismes subventionnairesFundação de Amparo à Pesquisa do Estado de São Paulo
Mots-clésPhytolithMaterials scienceFocused ion beamSynchrotronCarbon fibersSiliconLamella (surface anatomy)Scanning electron microscopeBiogenic silicaNanotechnologyOpticsOptoelectronicsIonChemistryComposite materialGeologyBotany

Résumé

récupéré en direct d'OpenAlex

Phytoliths are microbodies of biogenic silica made by many plant species in all ecosystems over the globe. They serve critical functions in alleviating plant stresses and influencing the carbon and silicon biogeochemical cycles. The investigation of carbon occlusion within phytolith, as a potential source of long-term soil carbon storage, has long been hampered by a lack of direct experimental evidence. In this protocol, we employed a Focused Ion Beam coupled to a Scanning Electron Microscopy (FIB-SEM) to produce thin lamellas (approximately 15 × 10 µm2 size, with thickness below 200 nm) enabling synchrotron scanning transmission X-ray microspectroscopy (STXM) analysis with ≈100–200 nm pixel size resolution at energies near the silicon and carbon K-absorption edges. Our results revealed the spatial distributions of carbon within phytoliths, highlighting its presence at lamella borders, within islands, and dispersed in extended regions. This protocol of phytolith slicing into thin lamella provides unprecedented insights into the spatial and chemical characteristics of carbon within phytoliths, offering a low-invasive alternative to wet-chemical digestion methods.

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 enseignants0,050
Score d'incertitude au seuil0,930

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,012
Tête enseignante GPT0,231
Écart entre enseignants0,219 · 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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSilicon Effects in AgricultureTravaux en français237 207