MétaCan
Menu
Retour à la cohorte
Enregistrement W2329399568 · doi:10.1021/jf204092h

Materials for Sustained and Controlled Release of Nutrients and Molecules To Support Plant Growth

2011· review· en· W2329399568 sur OpenAlexaff
Drew Davidson, Frank Gu

Notice bibliographique

RevueJournal of Agricultural and Food Chemistry · 2011
Typereview
Langueen
DomaineEngineering
ThématiquePolymer-Based Agricultural Enhancements
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésCRFSProfitability indexAgricultureFertilizerAgricultural engineeringEnvironmental scienceNutrientBusinessComputer scienceAgronomyEngineeringChemistryEcologyConditional random field

Résumé

récupéré en direct d'OpenAlex

Controlled release fertilizers (CRFs) are a branch of materials that are designed to improve the soil release kinetics of chemical fertilizers to address problems stemming losses from runoff or other factors. Current CRFs are used but only in a limited market due to relatively high costs and doubts about their abilities to result in higher yields and increased profitability for agricultural businesses. New technologies are emerging that promise to improve the efficacy of CRFs to add additional functionality and reduce cost to make CRFs a more viable alternative to traditional chemical fertilizer treatment. CRFs that offer ways of reducing air and water pollution from fertilizer treatments, improving the ability of plants to access required nutrients, improving water retention to increase drought resistance, and reducing the amount of fertilizer needed to provide maximum crop yields are under development. A wide variety of different strategies are being considered to tackle this problem, and each approach offers different advantages and drawbacks. Agricultural industries will soon be forced to move toward more efficient and sustainable practices to respond to increasing fertilizer cost and desire for sustainable growing practices. CRFs have the potential to solve many problems in agriculture and help enable this shift while maintaining profitability.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,003

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 Opus0,012
Tête enseignante GPT0,214
Écart entre enseignants0,203 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations181
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural and Food ChemistryMême sujetPolymer-Based Agricultural EnhancementsTravaux en français237 207