MétaCan
Menu
Retour à la cohorte
Enregistrement W1964112337 · doi:10.4141/p06-103

Fresh market sweet corn production with clear and wavelength selective soil mulch films

2007· article· en· W1964112337 sur OpenAlexvenueaboutno aff
T. Q. Zhang, C. S. Tan, J. Warner

Notice bibliographique

RevueCanadian Journal of Plant Science · 2007
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueIrrigation Practices and Water Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMulchAgronomyLoamWater contentEnvironmental scienceMoistureSoil waterChemistryBiologySoil scienceGeology

Résumé

récupéré en direct d'OpenAlex

Earliness of fresh market sweet corn (Zea mays L.) is important to increasing profitability and maintaining market occupancy. Maturity of fresh market sweet corn may be advanced by the use of plastic soil mulch films. In 2000 and 2001, the effects of clear (CMF) and wavelength selective (WLSMF) mulch films on soil temperature and moisture and the performance of fresh market sweet corn with and without N fertilization were evaluated in a Granby loamy sand soil in southwest Ontario. Both mulch films increased soil temperature and moisture compared with bare soil. Soil temperatures were 1.8°C higher at 5 cm and 1.6°C higher at 15 cm soil depth under CMF than WLSMF averaged over the growing season in two years. Both mulches increased soil moisture levels relative to bare soil, but less increase occurred under CMF than WLSMF. Both CMF and WLSMF advanced sweet corn maturity by 6-7 d relative to the bare soil. Compared with bare soil, marketable yields increased by 25 to 63% without added N and by 72 to 114% with added N under CMF. Under WLSMF, the corresponding increases in marketable yields were 97 to 98% without added N and 120 to 200% with added N. While WLSMF was superior to CMF for increasing fresh market sweet corn yields in southwestern Ontario, the relative economic advantage of each mulch type needs to be studied. Key words: Marketable yield, nitrogen, soil cover, soil moisture, soil temperature

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,551
Score d'incertitude au seuil0,934

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,011
Tête enseignante GPT0,191
Écart entre enseignants0,179 · 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 tête enseignante, 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

Citations9
Publié2007
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Plant ScienceMême sujetIrrigation Practices and Water ManagementTravaux en français237 207