Characteristics of the Macronutrient Content of Compost and Liquid Organic Fertilizer from Agricultural Wastes
Notice bibliographique
Résumé
Agricultural products have great potential to produce untapped farm-to-table agricultural waste. This can happen because the agricultural products are damaged before they reach consumers and become agricultural waste. Therefore, paper aims to investigate the macronutrient content of the compost and liquid organic fertilizer using agricultural waste as the main ingredient. There are two treatments for making compost, namely the composition of the main ingredients (rice straw + lamtoro, rice straw + corn stalks, and lamtoro + corn stalks) and the composition of the supporting material in the form of livestock manure (cow dung, goat manure, and chicken manure). There are five treatment sources of the main raw materials for making liquid organic fertilizer tested, namely banana peel, papaya peel, pineapple skin, tomato, and cassava peel. Macro parameters in the form of N, P, K, and C content were measured using the Kjeldahl, Bray, AAS, and Walkle and Black methods, respectively. The C/N ratio was calculated by comparing the content of C and N. Furthermore, data were analyzed using statistical parameters in the form of ANOVA and DMRT. Making compost with the main ingredients of agricultural waste and supporting materials from livestock manure has a significant effect on macronutrient content in compost. Apart from that, the production of liquid organic fertilizer with the main ingredient of agricultural waste significantly affects the macronutrient content of liquid organic fertilizer produced.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».