Potassium and Nitrogen Fertigation Frequency on Pineapple Yield and Fruit Quality
Notice bibliographique
Résumé
Pineapple is a nutritionally demanding crop, with emphasis on potassium and nitrogen nutrients. In this context, the aim of this paper was to study the effect of nitrogen (N) and potassium (K) fertigation frequencies on the physical-chemical fruit characteristics of ‘Pérola’ pineapple crop. The experiment was conducted in a randomized block design, with 18 treatments and 4 replications. It was used a factorial scheme (4 × 4) + 1 + 1, which represents: four N fertigation frequencies applied by surface drip irrigation (4, 7, 27 and 54 times throughout the crop cycle); four K fertigation frequencies (4, 9, 35 and 70 times); one additional treatment (irrigated, but without fertigation); and one control (non irrigated and non fertigated). The fruit characteristics analyzed were: fruit mass with crown, yield, soluble solids, pH, titratable acidity and SS/TA ratio. The N fertigation frequencies had no effect on variables evaluated, however, the K frequencies had a significant influence on fruit mass with crown, yield and pH. The results showed that the effect of K frequencies applied through fertigation on pineapple yield and fruit physical-chemical quality was more pronounced in comparison to the effect of N applications. Monthly potassium fertigations, followed by four applications throughout the crop cycle, provided the greatest increase in fruit quality, allowing higher values of fruit mass, yield and pH.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».