Silicon and heavy metal dynamics in soil-rice systems: A taihu lake plain case study on silicon depletion
Notice bibliographique
Résumé
This study addresses the critical issue of heavy metal contamination (Ni, Cu, As, Cd, Pb) in rice cultivation, with particular focus on silicon-deficient paddy soils in the Taihu Lake Plain, where Si NaAc is 87.97 mg kg −1 . While silicon (Si) supplementation has demonstrated efficacy in mitigating heavy metal stress in plants, its effectiveness in Si-deficient soil-rice systems remains insufficiently characterized, particularly at the field scale. Our investigation of four typical crop rotation systems revealed significant contamination risks from As and Cd, with plant-available silicon (PaSi) predominantly influencing the active fractions of these metals. Key factors governing heavy metal accumulation in brown rice included soil metal content (HMs Soil ), soil PaSi (PaSi Soil ), and plant Si (Si Plant ), exhibiting strong predictive power for As (R²=0.69), Cd (R²=0.51), and Cu (R²=0.59) accumulation. Structural equation modeling identified dual mechanisms of Si-mediated metal regulation: direct modulation in the Husk-Brown Rice transfer pathway and indirect suppression through Root-Straw translocation. These findings elucidate Si's pivotal role in impeding heavy metal transfer from soil to edible grains, highlighting the potential of strategic Si fertilization as an effective agronomic intervention for minimizing dietary heavy metal exposure and enhancing food safety in contaminated rice production systems.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».