MétaCan
Menu
Retour à la cohorte
Enregistrement W2809247612 · doi:10.5376/ijh.2018.08.0014

An Over Review of Micronutrients on Growth, Yield and Quality of Citrus

2018· article· en· W2809247612 sur OpenAlexvenueno aff
V. Suresh, M. Ammaan, R.P. Jagadeeshkanth

Notice bibliographique

RevueInternational Journal of Horticulture · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant Physiology and Cultivation Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMicronutrientYield (engineering)BiologyQuality (philosophy)HorticultureEnvironmental scienceAgronomyChemistryMaterials sciencePhysics

Résumé

récupéré en direct d'OpenAlex

Citrus is primarily valued for the fruit, which is either used alone as fresh fruit, processed into juice or added to dishes and beverages. In this area farmer’s obtained low yield due to micronutrient deficiency next to pest and disease. In this hill ecosystem, deficiency of micronutrient causes adverse effects on fruit orchard, making it unfit for consumption. Use of micronutrient reduces the deficiency thus improving plant growth and yield. The foliar application of micronutrients increases the photosynthetic compounds inside the plant tissue which ultimately reduces the leaf drop and give strength for their persistency compare to soil application. It needs 17 essential elements for growth and development. Micronutrient deficiencies often tend to limit the productivity in this crop. Use of micronutrient reduces the deficiency thus improving plant growth and yield. The foliar application of micronutrients increases the photosynthetic compounds inside the plant tissue which ultimately reduces the leaf drop and give strength for their persistency compare to soil application. Deficiency of' micronutrients occur at various stages of growth and development of citrus plants. Micronutrients are required in very small quantities, yet they are very effective in regulating plant growth.

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)0,001
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 enseignants0,007
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,037
Tête enseignante GPT0,315
Écart entre enseignants0,278 · 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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of HorticultureMême sujetPlant Physiology and Cultivation StudiesTravaux en français237 207