Carbon nanofertilizers in agriculture: A critical review of soil ecosystem impacts and phytotoxicity
Notice bibliographique
Résumé
The rapid growth in global population has placed immense pressure on food production systems. As a result, the overuse of chemical fertilizers and pesticides in modern farming has severely reduced soil fertility and disrupted critical ecosystem functions and equilibria. There have been significant leaching and runoff losses of key mineral elements in the environment due to synthetic fertilizer application, resulting in a substantial reduction in nutrient use efficiency (NUE) in different cropping systems. Nanofertilizers (NFs) have been considered more effective and economical than synthetic fertilizers because their nanostructure regulates the delivery of nutrients and enhances plant absorption due to a high surface area to volume ratio. Different types of carbon-based nanoparticles (CNPs), such as carbon nanotubes (CNTs), carbon nanodots (CDs), and carbon nanofibers (CNFs), have been synthesized from various biological sources acting as carbon nanofertilizers (CNFs). These CNPs stimulate soil microbial and enzymatic activities, promote organic matter decomposition, enhance carbon sequestration, and improve water retention, mainly through enhanced nutrient accessibility, aggregation with soil organic matter, and a high-surface-area matrix for microbial habitat and proliferation. Although CNFs exhibit considerable potential, several critical challenges remain, including high production costs, limited knowledge of their long-term environmental behavior, and the requirement for well-defined concentration thresholds tailored to specific soil–crop systems. This review outlines the benefits, potential drawbacks, and key challenges of CNFs for plants and soil health that must be addressed to harness their full potential as plant growth stimulants and soil quality boosters. • A critical review of carbon nanofertilizers' soil ecosystem impacts. • CNFs enhance soil health, microbial activity, and carbon sequestration. • Synthesis methods and structure-activity relationships are thoroughly discussed. • Dose-dependent phytotoxicity and soil microbial risks are key concerns. • Identifies knowledge gaps and future research priorities for safe use.
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 | 0,000 |
| 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 ».