Integrating Rock Dust and Organic Amendments to Enhance Soil Quality and Microbial Activity for Sustainable Crop Production
Notice bibliographique
Résumé
Rock dust (RD) is a by-product of the precious metal mining industry. Some mining operations produce close to 2,000,000 Mg of RD/year, posing disposal issues. This study evaluated the physicochemical and microbial properties of RD from gold mining and its potential use in RD-based growing media. Ten media formulations were tested: Promix (Control), 100% (RD), 100% topsoil (TS), 50% RD + 50% topsoil (RDT), 25% RD + 75% topsoil (RT), 50% RD + 50% Promix (RP), 50% RD + 25% biochar + 25% Promix (RBP), 50% RD + 25% compost + 25% Promix (RCP), 50% RD + 50% biochar (RB), and Huplaso (negative control). RD particle size ranged from 0.1 to 2 mm with a bulk density of 1.5 g cm−3, while RD-based media ranged from 0.8 to 1.1 g cm−3 showing increased porosity. Nutrient content was analyzed using Inductively Coupled Plasma Optical Emission Spectrometry (ICP-OES), and the active microbial community assessed using PLFA biomarkers via GC-MS/FID, n = 4 and p = 0.05. Microbial analysis identified five classes (protozoa, eukaryotes, Gram-positive (G+), Gram-negative (G−), and fungi (F)), with a significant increase in G−, G+, and F in RD-based amendment RBP (28%) compared to control P (9%). G+, G−, and F showed a strong negative correlation (r = −0.98) with pH, while calcium correlated positively (r = 0.85) with eukaryotes and a strong positive correlation (r = 0.95) of cation exchange capacity with G+. This study suggests blending RD with organic amendments improves physicochemical quality and microbial activity, supporting its use in crop production over disposal.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 ».