MétaCan
Menu
Retour à la cohorte
Enregistrement W2805482453 · doi:10.5539/jas.v10n7p403

Nitrogen Fertilization in Two Varieties of Basil

2018· article· en· W2805482453 sur OpenAlexvenueno aff
Rafael Massahiro Yassue, Diandra Achre, Marcelo Augusto Pastório, Sílvio Douglas Ferreira, Carlos Alberto Dettmer, Márcia de Moraes Echer

Notice bibliographique

RevueJournal of Agricultural Science · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGrowth and nutrition in plants
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCultivarNitrogenDry matterShootHuman fertilizationCropBiologyHorticultureAgronomyChemistry

Résumé

récupéré en direct d'OpenAlex

The cultivation of basil is worth mentioning, because it is a very promising crop. The aim of this study was to evaluate the development of the Basil cultivation, cultivar Tuscan lettuce leaf and Alfavaca red basilican, submitted to different doses of nitrogen. The first factor was composed of six nitrogen doses and one control (0, 40, 80, 120, 160, 200, 240 kg ha-1 of nitrogen), and the Second was composed of two cultivars (Alfavaca red basilican and Tuscan lettuce leaf) with four replicates. The basil Alfavaca red basilican cultivar overcame the cultivar Tuscan lettuce leaf in the plant height and diameter of the stem. In the leaf and shoot dry matter variables, the doses that resulted in the greatest increase of dry matter were 128 and 125.62 kg ha-1 of nitrogen for the cultivar Tuscan of lettuce leaf. Both Alfavaca red basilican and Tuscan lettuce leaf were influenced by nitrogen fertilization and the dose of 120 kg ha-1 of nitrogen has the highest potential in the developmental parameters.

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)0,000
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 enseignants0,728
Score d'incertitude au seuil0,105

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,016
Tête enseignante GPT0,242
Écart entre enseignants0,226 · 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

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetGrowth and nutrition in plantsTravaux en français237 207