Optimizing Shrimp Culture Through Environmental Monitoring: Effects of Water Quality and Metal Ion Profile on Whiteleg Shrimp (Litopenaeus vannamei) Performance in a Semi-Intensive Culture Pond
Notice bibliographique
Résumé
Water quality management is crucial for sustainable whiteleg shrimp (Litopenaeus vannamei) aquaculture, though little research has comprehensively investigated the spatiotemporal fluctuation of trace elements in tropical semi-intensive ponds. This study investigated the water quality variations and trace element concentrations in an earthen pond across a 56-day culture cycle during the dry season. Physicochemical parameters (temperature, pH, salinity, dissolved oxygen, ammonia, nitrite, and nitrate) and trace elements (Cu, Zn, Mn, Fe, and Mg) were measured concurrently with shrimp growth and survival. The DO and pH readings were observed to fluctuate significantly during the mid-to-late stages of culture, with DO nearing critical thresholds (<5.0 mg L−1). A sudden increase in ammonia and nitrite levels suggested the accumulation of organic matter and a microbial imbalance. Zinc concentrations (0.28–1.00 mg L−1) approached stress-inducing levels, while magnesium remained low (10.44–10.72 mg L−1). Pearson’s correlation revealed strong positive associations between ammonia and nitrate (r = 0.95) and between DO and pH (r = 0.94), while Mg was negatively correlated with Fe (r = −0.99) and nitrite (r = −0.88). Shrimp achieved 13.43 ± 0.73 g mean weight, with 77.8% survival and an FCR of 1.08. These results provide baseline evidence that combined water quality and trace element monitoring can become an early warning framework for pond management. Future studies integrating shrimp physiology and immune responses are needed to establish direct causal relationships.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 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 ».