MétaCan
Menu
Retour à la cohorte
Enregistrement W1416435184 · doi:10.19189/001c.128265

Fertiliser Addition Is Important for Tree Growth on Cut-Over Peatlands in Eastern Canada

2008· article· en· W1416435184 sur OpenAlexafffundabout
Gabriel Caisse, Stephanie A. Boudreau, Alison D. Munson, Line Rochefort

Notice bibliographique

RevueMires and Peat · 2008
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSeedling growth and survival studies
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPeatEnvironmental scienceTree (set theory)AgroforestryAgronomyForestryGeographyBiologyEcologyMathematics

Résumé

récupéré en direct d'OpenAlex

Fertilisation is considered essential for tree growth on cut-over peatlands. However, little research has been carried out on these managed ecosystems in North America. Two experiments were conducted on peatlands planted with black spruce (Picea mariana (Mill B.S.P.) and tamarack (Larix laricina (Du Roi) K. Koch). The first experiment compared the efficiency of six different localised and soil-incorporated fertilisers, applied at planting time, in promoting the growth and survival of seedlings. A second experiment evaluated the nutritional needs of previously established black spruce and tamarack plantations that exhibited stagnating growth. Growth and survival of black spruce seedlings were best improved with the commercial Forest PakTM fertiliser (2N-0.5P-0.7K g per plant), whilst for tamarack the optimum was reached with an experimental formulation fertiliser (7N-3P-5K g per plant). Spot fertilisation with granulated PK fertiliser (0N-3.1P-5.7K g per plant) led to lower success for both species. For re-fertilisation, the shortage of phosphorus was the most growth-limiting factor for both tree species. Tamarack showed a beneficial response to a complementary application of potassium, whereas for black spruce the application of nitrogen and potassium in addition to phosphorous induced an additional growth increase.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,108
Score d'incertitude au seuil0,217

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
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,016
Tête enseignante GPT0,209
Écart entre enseignants0,192 · 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'étudeExpérimental (laboratoire)
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

Citations14
Publié2008
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMires and PeatMême sujetSeedling growth and survival studiesTravaux en français237 207