MétaCan
Menu
Retour à la cohorte
Enregistrement W2948833048 · doi:10.1021/acs.jafc.9b01432

Dimethylolurea as a Novel Slow-Release Nitrogen Source for Nitrogen Leaching Mitigation and Crop Production

2019· article· en· W2948833048 sur OpenAlexaff
Jinhui Yang, Tai Liu, Hongbin Liu, Limei Zhai, Man Wang, Yonggang Du, Yanxue Chen, Cheng Yang, Huining Xiao, Hongyuan Wang

Notice bibliographique

RevueJournal of Agricultural and Food Chemistry · 2019
Typearticle
Langueen
DomaineEngineering
ThématiquePolymer-Based Agricultural Enhancements
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesMinistry of Science and Technology of the People's Republic of China
Mots-clésLeaching (pedology)NitrogenEnvironmental scienceCrop productionAgronomyCropProduction (economics)Environmental chemistryChemistryAgricultureSoil scienceBiologyEcologyEconomicsSoil water

Résumé

récupéré en direct d'OpenAlex

Rapid hydrolysis of urea results in further fertilization frequency and excessive nitrogen (N) input. A modified urea, dimethylolurea (DMU), was synthesized in this study. The structure of the sample was characterized by Fourier transform infrared and nuclear magnetic resonance analysis, manifesting the formation of DMU. N release investigation confirmed that DMU enabling provided a gradual N supply. The N leaching experiment indicated that increasing the applied DMU significantly reduced the NH 4 + -N, NO 3 – -N, and total N leaching, compared with urea application alone. The application effect on maize and wheat was evaluated. The results revealed that singly applied DMU with 100% or 80% N input, irrespective of the amount, promoted crop yield and agronomic characteristic and N use efficiency (NUE) of maize and wheat, beyond urea with two split applications at the recommended rate. Thus, the potential availability of DMU was proven; this could be widely used in agricultural fields as a slow-release fertilizer.

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 seuil0,001

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,005
Tête enseignante GPT0,181
Écart entre enseignants0,176 · 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

Citations14
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural and Food ChemistryMême sujetPolymer-Based Agricultural EnhancementsTravaux en français237 207