MétaCan
Menu
Retour à la cohorte
Enregistrement W2922358259 · doi:10.5539/jas.v11n4p507

Production and Quality of Okra Fruits Submitted to Doses and Types of Biofertilizers

2019· article· en· W2922358259 sur OpenAlexvenueno aff
Jonnathan Richeds da Silva Sales, Geocleber Gomes de Sousa, Fábio Cavalcante, João Gutemberg Leite Moraes, Kelly Nascimento Leite, Thales Vinícius de Araújo Viana

Notice bibliographique

RevueJournal of Agricultural Science · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Practices and Plant Genetics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBiofertilizerCultivarAbelmoschusHorticultureYield (engineering)Completely randomized designMathematicsBiology

Résumé

récupéré en direct d'OpenAlex

This study aimed to evaluate the yield and the quality of the fruits of two okra cultivars (Abelmoschus esculentus), due to the varying doses and types of biofertilizers. The experiment was conducted the period September to December of 2017, at the experimental Piroás Farm, in the city of Redenção-CE, Brazil. The experimental design used was entirely randomized, in factorial design 5 × 2 × 2, referring to the five doses of the biofertilizer (0, 0.5, 1, 1.5 and 2.0 L plant-1 week-1), versus two types of liquid biofertilizers (bovine and caprine under aerobic fermentation) and two okra cultivars: Santa Cruz 47 and Clemson Spineless. The number of the fruits per plant, the average mass of the fruits, yield, the length and diameter of the fruit and peel thickness of the okra fruit, were increased according to the increase on the biofertilizers doses. The cultivar “Santa Cruz 47” presented higher values in the length of the fruit, whereas the cultivar “Clemson Americano 80” was superior in the variables “average fruit mass” and “diameter of the fruits”.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,034
Tête enseignante GPT0,263
Écart entre enseignants0,229 · 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'étudeExpérimental (laboratoire)
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

Citations7
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetAgricultural Practices and Plant GeneticsTravaux en français237 207