MétaCan
Menu
← Retour à la cohorte
Enregistrement W1570361591 · doi:10.18174/19592

Irrigation and nitrogen use efficiency of Thuja occidentalis grown on sandy soils

2004· dissertation· en· W1570361591 sur OpenAlexfundno aff
A.A. Pronk

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiquePlant Water Relations and Carbon Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesWageningen University and ResearchAgriculture and Agri-Food CanadaUniversity of CambridgeRijksinstituut voor Volksgezondheid en MilieuEuropean CommissionDirectorate for Biological SciencesRoyal SocietyUniversity of OxfordU.S. Department of Agriculture
Mots-clésIrrigationInterceptionAgronomySoil waterEnvironmental scienceSowingFertilizerNitrogenGrowing seasonDry weightChemistrySoil scienceEcologyBiology

Résumé

récupéré en direct d'OpenAlex

A combined conifer growth - soil water and nitrogen balance model was calibrated to simulate dry mass production and partitioning, water and nitrogen demand and nitrogen losses for Thuja occidentalis grown for two years on a sandy soil. Light interception was successfully described by the row-of-cuboids method. A diffusion model was used to describe fine root growth. The combined model was used to explore nitrogen losses under irrigation and fertilization strategies for optimal dry mass production. Irrigation was frequently necessary for optimal dry mass production and depended highly on the actual weather conditions. The recommended fertilizer applications were sufficient. Nitrogen losses always exceed the European nitrate N-limit in the year of planting and by 80% in the second growing season when optimal irrigated and fertilized for dry mass production. Therefore, additional measures are necessary to develop conifer cropping systems on sandy soils within the framework of the EU nitrate-N limit.

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 enseignants0,061
Score d'incertitude au seuil0,121

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 recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,007
Tête enseignante GPT0,210
Écart entre enseignants0,203 · 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

Citations1
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPlant Water Relations and Carbon Dynamics→Travaux en français237 207→