MétaCan
Menu
Retour à la cohorte
Enregistrement W3118457386 · doi:10.5267/j.msl.2020.12.003

Carbon sequestration and its impact on rice farming economic value: The quasi-experiment

2021· article· en· W3118457386 sur OpenAlexvenueno aff
Nandang Najmulmunir, Nana Danapriatna, Dwi Purwoko, Ujang Maman

Notice bibliographique

RevueManagement Science Letters · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Development and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAgricultureEnvironmental scienceRice strawCarbon sequestrationStrawBusinessIndonesian governmentGlobal warmingBiomass (ecology)SowingCarbon dioxideAgricultural scienceAgricultural engineeringAgroforestryAgronomyAgricultural economicsIndonesianClimate changeGeographyEconomicsEngineering

Résumé

récupéré en direct d'OpenAlex

The increasing level of the number of carbon dioxide will raise temperature on the earth and causes global climate changes. Paris agreement has responded global warming by doing mitigation, and Indonesian Government has ratified the suggestion. This research aims to determine the rice cultivation technology system which effectively could absorb the carbon dioxide into the form of biomass and C-organic in the earth. Applying the quasi-experiment by three types of technological systems – and it was conducted in farming area of Sukakarya District, Bekasi Regency, Indonesia – the research proved the T2 (IPAT-TS planting system) – in which it applies a minimum spacing of 30 cm × 30 cm and a maximum of 50 cm × 50 cm, in aerobic soil conditions – yields the highest number of biomass straw, C-Organic, and harvest dry grain and economically gives the highest profit margin. Therefore, the research recommends the adoption of T2 as mass common farming practice especially in entisolic soil types.

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)0,004
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0120,001

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 Opus0,013
Tête enseignante GPT0,235
Écart entre enseignants0,222 · 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'étudeEssai non randomisé
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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetAgricultural Development and ManagementTravaux en français237 207