MétaCan
Menu
Retour à la cohorte
Enregistrement W2753950035 · doi:10.5539/jas.v9n10p265

Response of Growth and Yield Components of Sweet Pepper to Tow Different Kinds of Fertilizers under Green House Conditions in Jordan

2017· article· en· W2753950035 sur OpenAlexvenueno aff
Hussein Hussein Alhrout

Notice bibliographique

RevueJournal of Agricultural Science · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Science and Fertilization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHectareRandomized block designPepperYield (engineering)GreenhouseMathematicsFertilizerAgricultureHorticultureCapsicum annuumAgronomyBiology

Résumé

récupéré en direct d'OpenAlex

Intensive agriculture is a farming system characterized by a lot use of input, causing a harm stress on the environment, as well as high price of inorganic fertilizers discouraged some farmers in Jordan to apply fertilizers to their crops. The objective of this study was to investigate the impact of chicken manure and NPK on growth and yield of sweet pepper (Caspicum annum L.), A greenhouse experiment was conducted at Albalqa applied university research station in Jordan using randomized complete block design (RCBD) replicated four times. Three treatments were used using Randomized Complete Block Design (RCBD) with four replications: control (without fertilizer), chicken manure at the rate of 15 t/ha, and NPK (15:15:30) with trace elements at 100 Kg/ha. We evaluated plant height (cm), leaves number per plant, number of days to 50% flowering, fruit number per plant, fruit length, yield of fruit per plant (kg), and yield of fruit per hectare (t/ha). Treatments showed significant differences between. The NPK treatment gave the highest plant height (cm), leaves number per plant, fruits number per plant, yield of fruits per plant (kg), and yield of fruits per hectare (t/ha).

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

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 Opus0,046
Tête enseignante GPT0,262
Écart entre enseignants0,216 · 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'étudeExpérimental (laboratoire)
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

Citations21
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetAgricultural Science and FertilizationTravaux en français237 207