Efficiency of Water Hyacinth (Eichhornia crassipes) in the Phytoremediation of Copper-Contaminated Waters of Lake Tempe, South Sulawesi Indonesia
Notice bibliographique
Résumé
Lake Tempe, situated in Wajo Regency, South Sulawesi, Indonesia, is currently experiencing increased levels of toxicity due to heavy metal contamination stemming from industrial operations and human activities in the area.The presence of copper (Cu), a heavy metal, in water has been reported to raise concerns regarding the potential negative effects on the local ecosystem.This indicates that there is a need to develop a phytoremediation technique to efficiently reduce the levels of contamination.Therefore, this study aimed to assess the effectiveness of water hyacinth phytoremediation in reducing Cu contamination.Metal-contaminated water medium from Lake Tempe was used to cultivate water hyacinth, and the 30-day trial was carried out in a natural setting.Control was carried out as a comparison by measuring the decrease in Cu levels in the water.Measurements of the physicochemical characteristics of water were carried out both before and after phytoremediation process.The results showed that the levels of pH, total suspended solid (TSS), dissolved oxygen (DO), and Cu decreased after the procedure.Furthermore, there was an increase in the values of BOD5, total dissolved solid (TDS), total nitrogen content, and total phosphate (P).Water hyacinth capacity to absorb metals was determined by measuring the bio-concentration factor (BCF).The results showed a decrease in Cu levels with a range of 7.1692 mg/kg to 14.0202 mg/kg for 30 days.The BCF value obtained was 94.2217, indicating that there is a relationship between the BCF value and the phytoremediation time.The higher the value obtained, the longer the phytoremediation.The infrared data indicated that Cu was attached to the test plant by engaging the C=S, C=N, and O-H functional groups.Based on the results, water hyacinth could be used as a phytoremediation agent to reduce the levels of Cu in water.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 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 ».