MétaCan
Menu
Retour à la cohorte
Enregistrement W2027499670 · doi:10.1094/cm-2008-0730-01-rv

Enhanced‐Efficiency Fertilizers for Use on the Canadian Prairies

2008· article· en· W2027499670 sur OpenAlexaffabout
Cynthia A. Grant, Ronggui Wu

Notice bibliographique

RevueCrop Management · 2008
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Water Nutrient Dynamics
Établissements canadiensBrandon UniversityAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceFertilizerNutrient managementAgricultural engineeringNutrientCrop yieldAgronomyAgricultureCropEngineeringBiologyEcology

Résumé

récupéré en direct d'OpenAlex

In spite of the management practices adopted by Canadian producers to mimize fertilizer losses, N‐use efficiency is normally estimated to be less than 50% in the year of application. Various types of enhanced‐efficiency fertilizers such as nitrification inhibitors, urease inhibitors, and coated N fertilizers are available that attempt to address the constraints associated with traditional N management in order to improve N‐use efficiency and/or the operational efficiency of Canadian agricultural systems. Enhanced‐efficiency N fertilizers can chemically or physically influence the movement and transformations of N in order to improve synchrony between nutrient supply and crop uptake, reduce nutrient losses, and improve nutrient‐use efficiency. Pathways and magnitude of N loss are influenced by soil characteristics, weather conditions, and crop management practices, as well as by fertilizer source and management practices. Therefore, the effectiveness of the various enhanced‐efficiency fertilizers will be strongly dependent on the environmental conditions that influence potential losses. Under environmental conditions where the potential for N loss is high, enhanced‐efficiency fertilizers may provide an effective method of improving N use, particularly where other agronomic factors are optimized so that the crop is able to convert the N supplied into usable yield with the greatest efficiency.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,057
Score d'incertitude au seuil0,114

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,027
Tête enseignante GPT0,213
Écart entre enseignants0,186 · 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

Citations24
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCrop ManagementMême sujetSoil and Water Nutrient DynamicsTravaux en français237 207