A novel strategy for synthetic microbial community conversion of liquid pig manure into microbial fertilizer
Notice bibliographique
Résumé
The pig industry generates copious amounts of liquid pig manure (LPM), which poses a great challenge to the environment; conventional treatment of the manure is often time-consuming and inefficient. We developed a novel technique for converting LPM into liquid microbial fertilizer with two steps: (1) screened ammonia nitrogen-degrading strains and synthetic microbial communities (SynCom) were used in combination with H2O2 for the biological deodorization of LPM; and (2) the bio-deodorized and autoclaved LPM was then inoculated with screened SynCom2 to produce liquid microbial fertilizers. The results of bio-deodorization demonstrated that both single ammonia nitrogen-degrading strains and SynCom1 reduced over 90% of the odor and GHGs emissions (NH3, H2S, CO2 and CH4) from LPM, and decreased the pH, chemical oxygen demand (COD), ammoniacal nitrogen (NH4+-N) and EC to varying extents. The SynCom1 was able to completely eliminate malodorous volatile organic compounds (p-methyl phenol) from LPM, outperforming single ammonia nitrogen-degrading strains. The deodorized LPM treated with SynCom2 exhibited high levels of nutrient concentration (31.58 g/L of total carbon and 3.81 g/L of total nitrogen), microbial biomass (up to 1.92 × 1010 CFU/mL), plant safety and maturity (germination index > 100%), indicating suitability as microbial fertilizer. Cultivation experiments demonstrated a significant increase of over 70% in shoot length, root length, fresh weight and dry weight of rice seedlings when microbial fertilizers were applied in black soil. Overall, our study provided a valuable direction for the development of potential industrial applications.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».