MétaCan
Menu
Retour à la cohorte
Enregistrement W2519304522 · doi:10.5376/gab.2016.07.0001

Delayed Transplanting of Aged Rice Seedlings Causes the Yield Reduction in Farmer's Field

2016· article· en· W2519304522 sur OpenAlexvenueno aff
Ujjawal Kumar Singh Kushwaha, S. P. Khatiwada, H. K. Upreti

Notice bibliographique

RevueGenomics and Applied Biology · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueRice Cultivation and Yield Improvement
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTransplantingYield (engineering)Reduction (mathematics)AgronomyField (mathematics)BiologyHorticultureMathematicsSowingMaterials science

Résumé

récupéré en direct d'OpenAlex

Four year experiments were conducted to find out the causes of yield reduction of farmer’s field of Nepal from 2011 to 2014. Randomised complete block design with three replications were used to compare twelve rice genotypes with Khumal-4 as a standard check. One set of genotypes were transplanted in the last week of June and the other set was transplanted two weeks delayed as summer season rice. Results showed that rice different parameters like grain yield, plant height, panicle length, days to heading and days to maturity were found significant (p<0.05). Plant height, panicle length and fertile grain per plant were also found significant in early transplanted rice than delayed transplanted rice. Delayed transplanted aged rice seedlings took shorter days to flower and mature than early transplanted rice. On an average, 38.44% decrease in yield was found from early to delayed transplanted rice from 2011 to 2014. Similarly, grain yield of early transplanted rice was found higher than delayed transplanted rice in all the year. The reason could be that too early and too late transplanting could not fulfill the required temperature and photoperiod for rice crop. Late transplant of aged rice seedlings are severe to cold and effect plant growth and yield. Thus the yield reduction of farmer’s field can be minimised by transplanting rice in appropriate time with recommended package of practices.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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 recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 GPT0,209
Écart entre enseignants0,190 · 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

Citations5
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGenomics and Applied BiologyMême sujetRice Cultivation and Yield ImprovementTravaux en français237 207