MétaCan
Menu
Retour à la cohorte
Enregistrement W7106801423 · doi:10.14288/cjur.v9i2.199410

Effects of carbon dioxide fertilization and copper exposure on photosynthesis in hornwort

2024· article· en· W7106801423 sur OpenAlexaff

Notice bibliographique

RevueOpen Collections · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant responses to elevated CO2
Établissements canadiensUniversity of AlbertaUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésPhotosynthesisCeratophyllum demersumCarbon dioxideHuman fertilizationCopperPhotosynthetic efficiency

Résumé

récupéré en direct d'OpenAlex

As global carbon dioxide (CO2) emissions continue rising to unprecedented levels, photosynthetic efficiency of terrestrial plants is also increased. This phenomenon is known as CO2 fertilization. While advantageous to aid in the removal of excess greenhouse gases, CO2 fertilization may be offset by the simultaneous increase in heavy metal pollutants, such as copper, cadmium, lead, and mercury. The purpose of this experiment was to investigate whether heavy metal pollution, modelled through copper II sulfate (CuSO4), may significantly impair CO2 fertilization and photosynthesis in marine plants. We examined the volume of O2 produced and the rates of photosynthesis in Ceratophyllum demersum (hornwort). Plants were placed in tubes of pre-boiled water with dissolved baking soda (NaHCO3) as the CO2 source. There were five treatment groups: no hornwort, hornwort control, hornwort + CO2 fertilization, hornwort + CuSO4, and hornwort + CuSO4 + CO2 fertilization. We found that CO2 fertilization increased O2 production and photosynthetic rate, while the addition of CuSO4 inhibited photosynthesis and the positive effects of CO2 fertilization. These results imply that although CO2 fertilization can increase photosynthesis and eliminate some of the excess CO2 in our atmosphere, this effect will be eliminated if we do not also control the amount of heavy metal pollution ejected into the environment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,215
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen CollectionsMême sujetPlant responses to elevated CO2Travaux en français237 207