MétaCan
Menu
Retour à la cohorte
Enregistrement W3035282009 · doi:10.5430/ijba.v11n4p21

Financial Impact of Irrigation and Nitrogen: Topdressing in Rural Enterprises of Sugarcane in Uruaçu, Brazil

2020· article· en· W3035282009 sur OpenAlexvenueno aff
Gabriela Nobre Cunha, Antônio Pasqualetto

Notice bibliographique

RevueInternational Journal of Business Administration · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSugarcane Cultivation and Processing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCropIrrigationAgricultureYield (engineering)SowingBenefit–cost ratioProduction (economics)AgronomyAgricultural scienceAdaptabilityCaneCrop yieldEnvironmental scienceMathematicsNet present valueEconomicsGeographyBiology

Résumé

récupéré en direct d'OpenAlex

The success of a project depends on a good planning of activities focused on increasing yield and minimizing production costs. The objective of the present work was to assess the economic viability of irrigated sugarcane crops (plant crop and ratoon crop) under nitrogen topdressing, in northern state of Goiás (GO), Brazil. The data needed for the research were obtained in a sugarcane crop area in the Estrela do Lago Farm, which belongs to the Uruaçu industry, in the municipality of Uruaçu, GO. The CTC4 sugarcane variety was used, which has high tillering and yield, and great adaptability to mechanized planting and harvest. The sugarcane was planted in double rows spaced 1.80 m apart. The total nitrogen topdressing rate (100 Kg ha-1) was divided into three applications with 60-day intervals during the crop development. The costs were obtained based on the following items: mechanized operations; manual operations; consumed material, and other expenses. The production cost was calculated using the total production operational cost structure used by the Brazilian Institute of Agricultural Economy. The highest costs for sugarcane in plant crop, with and without nitrogen topdressing, are due to mechanized operations and consumed material, which reached approximately 60% of the costs.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,083
Score d'incertitude au seuil0,165

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,025
Tête enseignante GPT0,294
Écart entre enseignants0,268 · 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'étudeObservationnel
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

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Business AdministrationMême sujetSugarcane Cultivation and ProcessingTravaux en français237 207