MétaCan
Menu
Retour à la cohorte
Enregistrement W2021970525 · doi:10.1300/j301v03n01_12

Efficient Mowing for Pruning Wild Blueberry Fields

2004· article· en· W2021970525 sur OpenAlexaff
Leonard J. Eaton, Robbie W. Glen, J. Doug Wyllie

Notice bibliographique

RevueSmall Fruits Review · 2004
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBerry genetics and cultivation research
Établissements canadiensNova Scotia Department of Agriculture
Organismes subventionnairesnon disponible
Mots-clésPruningEnvironmental scienceCropAgronomySpring (device)HorticultureVacciniumField experimentMathematicsBiologyAgroforestryEngineering

Résumé

récupéré en direct d'OpenAlex

SUMMARY Commercial wild blueberry (Vaccinium angustifolium Ait.) fields were mowed in spring and autumn at low (2.5-5 cm; 1-2 inches), medium (5-7.5 cm; 2-3 inches), and high (> 7.5 cm; > 3 inches) heights with a flail mower and also with a rotary mower (> 7.5 cm; > 3 inches), in order to determine optimal heights for mowing. Initial stem lengths reflected differences in mowing heights at both sites, but there were no differences in plant heights at the end of the pruning year growth, or in the spring of the crop year. There were no differences in buds per stem or in fresh fruit yields among the treatments at the Adams field, or among the flail mowed plots at the Murray Siding field. Yields in rotary mowed plots were lower than yields in all other plots at the Murray Siding field, and also stems were more branched than were stems in the other treatment plots. These results suggest that producers can mow their fields at higher heights without impact on plant growth and production, as long as they use the flail mower. Mowing at greater heights results in less damage to equipment, plants and soil, and is more economical than the low heights of mowing presently recommended for the industry.

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: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

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
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,075
Tête enseignante GPT0,289
Écart entre enseignants0,215 · 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

Citations21
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmall Fruits ReviewMême sujetBerry genetics and cultivation researchTravaux en français237 207