Improving Salt-Affected Soil Using Biochar and Humic Substances: Insights from incubation, Column Leaching, and Growth Chamber Experiments
Notice bibliographique
Résumé
Salt-affected soils, caused by natural processes or human activities like brine spills, limit agricultural productivity. Brine, high in sodium and chloride, has high electrical conductivity (EC) and sodium adsorption ratio (SAR), when exposed to novel environments, this material can negatively impact soil, vegetation, and groundwater. This study evaluated organic and inorganic amendments – biochar, peat, gypsum, and commercially available humic-derived substances (humalite, liquid fulvic (LF), liquid organo hume (LOH), and NanoBind (NB)), as well as combinations (including gypsum as a standard amendment) – for their effectiveness in improving plant growth and soil characteristics in marginally saline topsoil collected from a former battery site (EC = 3.3, SAR = 10.3). The study included 112 days of bench-scale incubation, column leaching, and two growth chamber experiments using beans (Phaseolus vulgaris), a salt-sensitive crop. After 112 days of incubation, biochar and humalite reduced EC from 3.3 to 1.7 and 1.9 dS/m, respectively, while NB increased EC to 6.1 dS/m. Soil EC dropped below the background value of 1.2 dS/m after flushing with five pore volumes during leaching experiments. Peat (4% w/w) did not improve bean growth despite increasing organic carbon (C) by 125% and reducing soil boron (B) concentration. Biochar or humalite, alone or with gypsum, supported the highest biomass and nutrient uptake in beans compared to both salt-impacted and clean topsoil controls. The findings suggest that biochar or humalite amendments can mitigate some of the salinity stress associated with marginally salt-impacted soils and restore soil health.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».