MétaCan
Menu
Retour à la cohorte
Enregistrement W2989840431 · doi:10.1088/1755-1315/395/1/012058

Effect of superabsorbing polymers on potato yield

2019· article· en· W2989840431 sur OpenAlexaboutno aff
О А Старовойтова, M I Pekhal’skij

Notice bibliographique

RevueIOP Conference Series Earth and Environmental Science · 2019
Typearticle
Langueen
DomaineEngineering
ThématiquePolymer-Based Agricultural Enhancements
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFertilizerCultivarYield (engineering)CropAgronomyAgriculturePotashPolymerEnvironmental scienceHorticultureChemistryBiologyMaterials scienceOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Climate change is leading to an increase in drought, which is the largest abiotic stress factor leading to a decrease in crop yields. One of the methods in solving this problem is the use of superabsorbing polymers (SAPs) (China, USA, Canada, India, Italy, Iran, Poland, Turkey, and others). The aim of the research is to study the effect of using the superabsorbing polymers (cross-linked copolymer of potassium and ammonium salts of acrylic acid in the form of loose white granules) on the background of fractional-local application of mineral fertilizer to the crop formation. Field experience, accounting and observations were carried out in accordance with general requirements were used in our research. The studies were carried out in 2015-2017 on sod-podzolic sandy soil in the Lyubertsy district (Moscow region, Russia). When using superabsorbing polymers in an average of three years, the yield increased by 1.6…3.4 t/ha (5.5…Of 10.0%) for the studied cultivars; especially helpful was an early sortMeteorand a medium early varietyIrbitskiy. It is possible to recommend the use of superabsorbing polymers at a dose of 200 kg/ha when growing potatoes in conditions of moisture deficiency.

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 enseignants0,002
Score d'incertitude au seuil0,005

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)0,0020,000

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 GPT0,175
Écart entre enseignants0,170 · 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

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIOP Conference Series Earth and Environmental ScienceMême sujetPolymer-Based Agricultural EnhancementsTravaux en français237 207