Effects of fertilization and other agronomic measures on nutritional quality of crops
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Crops, as the basic source of essential substances and nutrients, do not always contain sufficient amounts of these essential nutrients to meet dietary requirements. In this review paper, we discussed the effects of fertilization and other agronomic measures on the nutritional quality of cereal, oilseed and protein crops, tuber plants and vegetables. Research indicates that application of N, P, K and S fertilizers generally increases crop yield as well as nutritional quality. For example, fertilizer increased protein concentration in cereals and pulses, oil concentration in oilseed crops, starch concentration in tubers, and concentration of essential amino acids and vitamins in vegetables. However, excessive fertilizer application, especially N fertilizer, can result in undesirable changes such as increases in nitrate, titratable acidity and acid to sugar ratio, while decreasing the concentration of vitamin C, soluble sugar, soluble solids, and Mg and Ca in some crops. Other agronomic measures, such as tillage and crop rotation, organic farming, soil moisture management, and crop breeding and genetic engineering can also have a large effect on food crop quality, though the potential benefits of these measures for improving crop quality has not been fully exploited. Research literature on this subject suggests that more information is needed in order to achieve an increase in the concentration of essential microelements, prevent accumulation of toxic levels of elements such as Cu, Mo, Zn, Ni, Se and nitrate, and other dangerous or toxic substances and elements in crops. Copyright © 2007 Society of Chemical 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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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