MétaCan
Menu
Retour à la cohorte
Enregistrement W2913851645 · doi:10.4231/fxr5-f070

Reducing Nitrous Oxide Emissions with Enhanced Efficiency Nitrogen Fertilizers in Wheat Production in Manitoba, Canada

2019· article· en· W2913851645 sur OpenAlexaffabout
Mario Tenuta, M Wood, Xiaopeng Gao

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueCrop Yield and Soil Fertility
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésNitrous oxideEnvironmental scienceNitrogenProduction (economics)Greenhouse gasAgronomyChemistryEconomicsGeology

Résumé

récupéré en direct d'OpenAlex

This project summarizes data from six site-years for a field study in Manitoba, with the aim of quantifying and comparing the application time (fall, spring) and source (EEF, non-EEF) effects on cumulative N2O emissions and agronomic measurements of Canadian hard red spring wheat in southern Manitoba, Canada. Core ideas from the study include: 1) At five out of six sites which had an N source effect on N2O emissions, eNtrench and SuperU were the most optimal products which reduced cumulative N2O emissions than conventional urea by 54% and 43%, respectively. 2) Combining fertilizer N sources, N2O emissions from fall treatments were similar to spring at four of six sites. 3) Grain yield was generally not affected by fertilizer N sources; 4) Grain yields and protein from fall applications were generally similar or lower than spring. This data publication includes all observations (location, agronomic management, grain yield, cumulative N2O emissions, and N removed with grain for each treatment-site-year). The dataset contains 384 observations for each variable of grain yield, cumulative N2O emissions and N removed with grain, which were collected at six sites in Manitoba over crop years from 2015 to 2017.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,179

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
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,012
Tête enseignante GPT0,190
Écart entre enseignants0,178 · 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'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

Citations0
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetCrop Yield and Soil FertilityTravaux en français237 207