Characteristics of the Macronutrient Content of Compost and Liquid Organic Fertilizer from Agricultural Wastes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 |
| 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) | 0,000 | 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 découle