MétaCan
Menu
Retour à la cohorte
Enregistrement W2003387443 · doi:10.1080/19315260903123834

Saline Drip Irrigation and Polyethylene Mulch on Yield and Water Use Efficiency of Bell Peppers

2009· article· en· W2003387443 sur OpenAlexaff
Dagobiet Morales-Garcia, Katrine A. Stewart, Philippe Séguin, Chandra A. Madramootoo

Notice bibliographique

RevueInternational Journal of Vegetable Science · 2009
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueIrrigation Practices and Water Management
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésMulchSalinityDrip irrigationWater-use efficiencyPlastic mulchAgronomySaline waterSoil salinityIrrigationEnvironmental sciencePolyethyleneYield (engineering)GreenhouseSoil waterHorticultureChemistryBiologyMaterials scienceSoil science

Résumé

récupéré en direct d'OpenAlex

Saline water has been successfully applied to crops via drip irrigation. However, application of saline water through this irrigation system in combination with polyethylene mulch has not been evaluated yet. Two experiments were carried out under greenhouse conditions to evaluate effects of saline irrigation (ranging from 0.2 up to 9.0 dS·m−1 and from 0.5 to 4.5 dS·m−1, respectively) and polyethylene mulch on the yield and water use efficiency (WUE) of sweet peppers (Capsicum annuum L.). Soil temperature was higher under an infrared-transmitting polyethylene mulch than under a black mulch or bare soil. Mulched plants required less water at all salinity levels than plants grown in bare soil. Salinity levels above the control (0.2 and 0.5 dS·m−1) significantly reduced total and marketable yield and WUE. Mulched plants had greater WUE and significantly higher marketable yields than those grown in bare soil. Fruit size and pericarp thickness were significantly reduced with increasing salinity; total soluble solids (TSS) increased. Soil salinity was reduced with the use of plastic mulches relative to bare soil.

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 enseignants0,001
Score d'incertitude au seuil0,003

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)0,0010,000

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 Opus0,021
Tête enseignante GPT0,248
Écart entre enseignants0,227 · 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

Citations6
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Vegetable ScienceMême sujetIrrigation Practices and Water ManagementTravaux en français237 207