Assessment of Nutrient Balance in Sugarcane Using DRIS and CND Methods
Notice bibliographique
Résumé
Many methods of nutritional diagnosis present discordant reports. It is necessary to study how these diagnoses relate to agricultural productivity and nutrient balance for a more efficient nutritional monitoring of the crops. This study had two objectives: (1) evaluate and compare Diagnosis and Recommendation Integrated System (DRIS) and Compositional Nutrient Diagnosis (CND) methods for nutritional diagnosis of sugarcane cultivated in the Northeast of Brazil; (2) establish standards, identify and hierarchize nutritional limitations. The database consisted of 183 samples, in which 31 were in areas with high productivity (³ 80 Mg ha-1) and 152 of areas with low productivity (< 80 Mg ha-1). Sugarcane leaves were collected and contents of N, P, K, Ca, Mg, S, Fe, Zn, Cu, Mn and B were determined. The DRIS indexes were calculated by methods DRIS-Beaufils, DRIS-Jones, DRIS-Elwali and Gascho, M-DRIS Beaufils, M-DRIS Jones, and the indexes CND too were calculated. The DRIS-Beaufils, DRIS-Jones, M-DRIS Beaufils and M-DRIS Jones methods tended to agree on the nutritional diagnosis of sugarcane. The nutritional diagnosis of the CND method interpreted by the Potencial Fertilization Response (PFR) was different from the DRIS methods for N and Mn nutrients. The M-DRIS Beaufils and M-DRIS Jones methods showed a higher correlation with nutrient contents. However, there was no significant correlation between agricultural productivity and nutrient balance index mean (NBIm), suggesting that other factors influenced sugarcane production more than nutritional factors. The nutritional diagnosis methods identified excessive fertilization with N and limitations of Ca, Mg, K, S, Mn, Cu, Zn and B in sugarcane in the Northeast of Brazil.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».