Unveiling the factors shaping variability in biomass productivity: Meta-analysis of outdoor pilot-scale microalgal cultures
Notice bibliographique
Résumé
• Assessed factors controlling productivity in 53 outdoor culture studies. • Productivity correlates negatively with culture depth, growth period, and salinity. • Inoculum, CO 2 , sulfate and growth period have potential to improve productivity. • Temperature, pH, and light have limited potential to improve productivity. Meta-analysis and machine learning is used to investigate factors influencing variation in biomass productivity in outdoor algal systems. Understanding these factors is essential for optimizing algal systems. Mean productivity across the analysed studies is 11 g m –2 day −1 , with 6 % of observations surpassing 25 g m –2 day −1 . Analysis reveals that algal species alone is insufficient to optimize productivity, as indicated by wide intra-species variation (5 to 42 g m –2 day −1 ). A negative linear relationship between productivity and culture depth (Pearson correlation coefficient, ρ=0.56), growth period (ρ=0.56), and media salinity (ρ=0.64) is identified. Other variables exhibit non-linear associations. Inoculum density, CO 2 content, sulfate concentration, and growth period can enhance productivity while temperature, pH, photosynthetically active radiation, and photoperiod show limited potential. Targeted optimization of key input variables offers a promising pathway to significantly boost productivity and accelerate the deployment of algal systems for sustainable bioproduction.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».