Evaluation of Nutrient Flow Through and Media‐Bed Aquaponic Systems
Notice bibliographique
Résumé
ABSTRACT This study evaluates the performance of an integrated aquaponic system combining gravel bed and NFT modules within a recirculating loop, focusing on nutrient dynamics, plant growth and sensory quality. Conducted in a semi‐controlled greenhouse, the system utilized Nile tilapia ( Oreochromis niloticus ) and cultivated lettuce, Swiss chard and pepper. Water quality analysis showed reduced nitrate levels after the NFT module (0.792 mg/L) compared to source RAS water (1.04 mg/L), while the gravel bed demonstrated superior phosphate removal (0.052 mg/L) and the lowest ammonia concentration (0.074 mg/L). Lettuce grown in NFT exhibited significantly greater shoot biomass (187.00 ± 15.53 g) than gravel‐grown plants (105.33 ± 11.79 g), with similar differences observed in root biomass. Plant performance was significantly influenced by the cultivation system, plant variety and their interaction. Pepper plants in NFT produced more fruits (9.00 ± 1.47 vs. 5.50 ± 0.96) and longer fruits, while gravel‐grown fruits had ∼8% greater average mass, although this difference was not statistically significant. Sensory evaluation indicated a general preference for NFT‐grown lettuce in appearance, aroma, texture, flavour and overall acceptability, though these differences were not statistically significant. Economically, the NFT system yielded higher returns and lower media costs, resulting in a net financial benefit of 11,804.52 ETB. Overall, the NFT system outperformed the gravel bed in plant productivity, nutrient efficiency and economic viability, while gravel beds may offer advantages in contexts requiring greater phosphate or ammonia retention.
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 | 0,001 | 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 | 0,000 | 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 ».