Increasing amounts of coir dust in substrates do not improve physical properties or growth of tree seedlings in a novel air-pruning propagation tray1
Notice bibliographique
Résumé
Abstract Air-pruning can improve tree seedling root quality in propagation by subjecting root tips to desiccation, thereby avoiding deflections, but also increases substrate dry-out rates. Several studies have indicated that coconut ( Cocos nucifera L.) coir dust can enhance water holding properties, possibly benefiting trees grown in air-pruning trays. However, water availability characteristics are influenced by particle size. In this experiment, coir dust was added into a sphagnum peat-perlite substrate mix at rates of 10, 15 and 20%. An industry standard peat-perlite mix was tested as a fourth substrate type. Red oak ( Quercus rubra L.), red maple ( Acer rubrum L.), quaking aspen ( Populus tremuloides Michx.) and eastern white cedar ( Thuja occidentalis L.) were grown from seed in these four substrate types. Physical and chemical properties of all substrate types were analyzed pre-experiment. The particle size distribution was finer and more even in the peat-perlite mix compared to the three coir mixes. The higher proportion of coarse particles in the 20% coir mix may have reduced water availability. Seedlings grown in the 15 and 20% coir mixes had lower above and below-ground growth compared to the 10% coir and peat-perlite mixes in all species except red oak. Index words: soilless media, water holding capacity, air space, particle size distribution, chlorophyll content, tree growth. Species used in the study: red oak ( Quercus rubra L.); red maple ( Acer rubrum L.); quaking aspen ( Populus tremuloides Michx.); eastern white cedar ( Thuja occidentalis L.).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».