MétaCan
Menu
Retour à la cohorte
Enregistrement W2170433091 · doi:10.5539/jas.v4n5p217

Effects of Nitrogen and Sulfur Fertilizers on Nitrogen Content in Soil, Ear Leaf, Flag Leaf and Grain of QPM Maize Varieties at Samaru Zaria

2012· article· en· W2170433091 sur OpenAlexvenueno aff
M. M. Jaliya, U. F. Chiezey, B. Tanimu, A. C. Odunze, Morni Othman, B. A. Babaji, Babangida Sani, H. Mani

Notice bibliographique

RevueJournal of Agricultural Science · 2012
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueCrop Yield and Soil Fertility
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNitrogenAgronomySulfurFlag (linear algebra)Field experimentBiologyChemistryMathematics

Résumé

récupéré en direct d'OpenAlex

Field trial was conducted in 2006, 2007 and 2008 wet seasons, at the Institute for Agricultural Research Farm, Samaru in the Northern Guinea savanna of Nigeria to determine the effects of nitrogen and sulfur fertilizers on nitrogen uptake of quality protein maize (QPM) varieties. Treatments consisted of four (4) rates each of nitrogen (0, 60,120 and 180 kg N/ha) and sulfur fertilizer (0, 5, 10 and 15 kg S/ha) and two QPM varieties (Obatampa and EV – 99), laid out in a split plot design with variety and nitrogen in the main plots and sulfur in the sub plots and replicated three times. The results show that varietal differences influenced soil and flag leaf nitrogen in 2006 and 2008 respectively. Nitrogen application did not affect nitrogen content in the soil at all the three years of the trial. However, Ear, Flag and Grain nitrogen content was affected by nitrogen application. Sulfur application influenced soil, ear leaf, flag leaf and grain nitrogen content in different years of the study.

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)0,001
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,616
Score d'incertitude au seuil0,229

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
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 Opus0,020
Tête enseignante GPT0,215
Écart entre enseignants0,195 · 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'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

Citations5
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetCrop Yield and Soil FertilityTravaux en français237 207