MétaCan
Menu
Retour à la cohorte
Enregistrement W2092188975 · doi:10.2495/sdp-v1-n2-192-202

Use of fishpond sediment for sustainable aquaculture—agriculture farming

2006· article· en· W2092188975 sur OpenAlexvenueno aff
MM Rahman, Amararatne Yakupitiyage

Notice bibliographique

RevueInternational Journal of Sustainable Development and Planning · 2006
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFisheries and Aquaculture Studies
Établissements canadiensnon disponible
Organismes subventionnairesAsian Institute of TechnologyEuropean Commission
Mots-clésAquacultureAgricultureIntegrated farmingSustainable agricultureEnvironmental scienceSedimentFisheryBusinessAgroforestryEnvironmental planningGeographyFish <Actinopterygii>Geology

Résumé

récupéré en direct d'OpenAlex

An experiment was carried out in triplicate, in 1 × 1 m 2 plots using six treatments, viz.zero input control (S 0 N 0 P 0 K 0 ), fertilizer control (S 0 NPK), sediment 60 kg without fertilizer (S 60 N 0 P 0 K 0 ), sediment 60 kg with N and K (S 60 NP 0 K), sediment 120 kg without fertilizer (S 120 N 0 P 0 K 0 ) and sediment 120 kg with N and K (S 120 NP 0 K) to determine the potential of tilapia pond sediment to supply P to morning glory, and the effects on the soil aggregate stability and the bulk density.The application of 60 and 120 kg sediment plot -1 corresponds to 30% and 60% of the plot soil by weight, respectively.The study confirmed that the application of tilapia pond sediment at 30% to farm soils with supplementation of N and K, i.e. the treatment S 60 NP 0 K, provided the required amount of P to morning glory and gave fresh and dry matter yields of morning glory equal to the fertilizer control plot.Furthermore, the application of 30% sediment significantly improved the soil aggregate stability and decreased the bulk density of farm soils to favorable levels.This kind of integration would ensure long-term sustainability of both aquaculture and agriculture farming.

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)0,001
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 enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,019
Tête enseignante GPT0,227
Écart entre enseignants0,208 · 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

Citations31
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Sustainable Development and PlanningMême sujetFisheries and Aquaculture StudiesTravaux en français237 207