Modeling the Growth of Forage Legumes
Notice bibliographique
Résumé
Modeling the growth curve of agricultural crops is of paramount importance so that management tasks such as fertilization and irrigation can be carried out at the appropriate time, increasing the vegetal yield. With this purpose, nonlinear models are commonly employed. The objective of this work was to fit some of the main nonlinear models that best describe the growth curve of some of the main species of forage legumes, namely: Crotalaria juncea, Canavalia ensiformis, Cajanus cajan and Dolichos lablab L. A randomized block experiment was conducted in field conditions between November 2015 and February 2016 in southeastern Goiás, Brazil. The variables plant height, stem diameter, fresh and dry mass were measured after 15, 30, 45, 60 and 90 days from sowing. The following models were fitted: Gompertz, Logistic, Brody and von Bertalanffy. The following goodness-of-fit criteria were calculated: R2 (normal and adjusted), AIC (Akaike Information Criterion) and absolute mean error. The growth curves of morphological variables are easier to model than the biomass curves. The von Bertalanffy and Gompertz models presented in general the best fit. The species C. juncea has an expressive biomass accumulation rate.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».