MétaCan
Menu
Retour à la cohorte
Enregistrement W2938474601 · doi:10.5539/jas.v11n5p172

Potassium Silicate, Against Water Stress, in Sweet Corn Plant Growth Traits

2019· article· en· W2938474601 sur OpenAlexvenueno aff
Ausbie Luis Graça Araújo, Amanda Maria de Almeida, João de Jesus Guimarães, Fernando Soares de Cantuário, Leandro Caixeta Salomão, Carmen Rosa da Silva Curvêlo, Aurélio Rúbio Cantuário, José Magno Queiróz Luz, Alexandre Igor de Azevedo Pereira

Notice bibliographique

RevueJournal of Agricultural Science · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSilicon Effects in Agriculture
Établissements canadiensnon disponible
Organismes subventionnairesFundação de Amparo à Pesquisa do Estado de GoiásConselho Nacional de Desenvolvimento Científico e Tecnológico
Mots-clésPotassium silicateSeedingPotassiumAgronomyRandomized block designFactorial experimentSoil waterHorticultureChemistryBiologySilicateMathematics

Résumé

récupéré en direct d'OpenAlex

Water stress in sweet corn plants due effect of climatic events, such as El Niño, is difficult to monitor, leading to considerable losses. Silicon (Si) as an exogenous resistance elicitor may reduce water stress effects. The relationship between sweet corn plant age and its development, under induced water stress and leaf potassium silicate applications were evaluated. This work was carried out with the hybrid Tropical Plus®, in a randomized factorial block design with 15, 30, 45 and 60 kPa as soil water tensions in plots and potassium silicate doses (0, 6, 12 and 24 L ha-1) in subplots. Stem diameter, plant height and leaf number per plant were evaluated at 30, 45, 60, 75 and 90 days after seeding. Root length was measured on the 90th day after seeding. Sweet corn plants submitted to water stress conditions and Si application showed an age-dependent response. Water stress did not decrease stem diameter, plant height and number of leaves per plant sprayed with Si. Root length was longer with 60 kPa soil water tension. Silicon reduced negative impacts of water stress on sweet corn plants.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,806
Score d'incertitude au seuil0,280

Scores Codex et Gemma par catégorie

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

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 Opus0,008
Tête enseignante GPT0,196
Écart entre enseignants0,188 · 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 tête enseignante, 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

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetSilicon Effects in AgricultureTravaux en français237 207