MétaCan
Menu
Retour à la cohorte
Enregistrement W3146782162 · doi:10.18280/ijdne.160114

Increasing Shallot Production in Marginal Land Using Mulches and Coconut Husk Fertilizer

2021· article· en· W3146782162 sur OpenAlexvenueno aff
Sri Anjar Lasmini, Rosmini Rosmini, Irwan Lakani, Nur Hayati, Burhanuddin Nasir

Notice bibliographique

RevueInternational Journal of Design & Nature and Ecodynamics · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueShallot Cultivation and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHuskMulchBulbRandomized block designFertilizerStrawAgronomyMathematicsOrganic fertilizerYield (engineering)Plastic mulchHorticultureBiologyBotanyMaterials science

Résumé

récupéré en direct d'OpenAlex

The study aimed to obtain the type of mulch and the doses of liquid organic fertilizer proper waste coconut husks in modifying microclimate around crops to obtain the maximum yield of shallot in the dryland. The research was used a factorial randomized complete block design consisting of two factors. The first factor consisting mulches, M1 = silver-black plastic mulch and M2 = straw mulch. The dose of liquid organic fertilizer from coconut husks was the second factor. It is consisting of S0 = without fertilizer, S1 = 500 L ha-1, S2 = 750 L ha-1 and S3 = 1000 L ha-1. The results showed that the application of a combination of mulch and liquid organic fertilizer coconut husk waste significantly affected plant height, number of leaves per plant, number of tillers, and the bulb yield. Straw mulch with coconut husks waste dose of 1000 L ha-1 resulted in plant height, number of leaves per plant, number of tillers and highest bulb yield compared with other treatments. The highest bulb yield was obtained with 9.63 t ha-1.

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 seuil0,004

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 Opus0,027
Tête enseignante GPT0,264
Écart entre enseignants0,238 · 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

Citations12
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Design & Nature and EcodynamicsMême sujetShallot Cultivation and AnalysisTravaux en français237 207