MétaCan
Menu
Retour à la cohorte
Enregistrement W2066723598 · doi:10.3126/hn.v11i1.7221

Biochar Improves Plant Growth and Reduces Nutrient Leaching in Red Clay Loam and Sandy Loam

2012· article· en· W2066723598 sur OpenAlexaff
Krishna Pudasaini, Nanjappa Ashwath, Kerry B. Walsh, Thakur Bhattarai

Notice bibliographique

RevueHydro Nepal Journal of Water Energy and Environment · 2012
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoil Carbon and Nitrogen Dynamics
Établissements canadiensCentre in Green Chemistry and Catalysis
Organismes subventionnairesSwansea University
Mots-clésBiocharLoamSoil waterLeaching (pedology)AgronomyEnvironmental scienceSoil classificationNutrientFactorial experimentChemistrySoil scienceMathematicsPyrolysisBiology

Résumé

récupéré en direct d'OpenAlex

A factorial pot experiment was conducted using two types of soils (sandy loam and red clay loam) that are commonly used for commercial vegetable production in Bundaberg, region of Central Queensl and Australia. The soils were amended with 0, 25, 50 and 75 t/ha of green waste biochar and minimum doses of N, P and K (30 kg/ha, 30 kg/ha and 40 kg/ha respectively). After two weeks of plant establishment, the pots were leached with 1.5 litres of deionised water at week intervals, and cation concentrations of the leachate were determined. In 25 t/ha biochar treatment, there was a significant (P<0.05) reduction in K and Ca leaching by 40% and 26% respectively from sandy loam, and of Ca by 23% from the red clay loam. Soil water holding capacity and soil organic carbon were also increased in both biochar treated soils. After 12 weeks of growth, shoot weight was signifi cantly (P<0.05) higher in 25 t/ha biochar-treated sandy loam and red clay loam (32% and 31% respectively). These results clearly demonstrated that a higher yield of capsicum can be achieved from green waste biochar application in sandy loam and red clay loam at 25 t/ha biochar.DOI: http://dx.doi.org/10.3126/hn.v11i1.7221 Hydro Nepal Special Issue: Conference Proceedings 2012 pp.86-90

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)0,000
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,194
Score d'incertitude au seuil0,195

Scores Codex et Gemma par catégorie

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 Opus0,008
Tête enseignante GPT0,168
Écart entre enseignants0,161 · 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'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

Citations15
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHydro Nepal Journal of Water Energy and EnvironmentMême sujetSoil Carbon and Nitrogen DynamicsTravaux en français237 207