MétaCan
Menu
Retour à la cohorte
Enregistrement W3209300594 · doi:10.24843/jitpa.2021.v06.i02.p04

Identifikasi Unsur Hara Sulfur pada Sistem Irigasi Primer di Tanah Sawah Wilayah Bendungan Arca Kiri, Kabupaten Banyumas

2021· article· id· W3209300594 sur OpenAlexaff
Leony Agustine, Amanullah Thaariqa Tri Wibowo, Begananda Begananda

Notice bibliographique

RevueJurnal Ilmiah Teknologi Pertanian Agrotechno · 2021
Typearticle
Langueid
DomaineAgricultural and Biological Sciences
ThématiquePlant Growth and Agriculture Techniques
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésForestryEnvironmental sciencePhysicsGeography

Résumé

récupéré en direct d'OpenAlex

This study aims to determine1) the amount of nutrient content of Sulphur in a paddy field in the irrigation channel of Arca Kirit dam in Banyumas Regency, 2) nutrient distribution of Sulphur in paddy field in the irrigation channel of Arca Kiri dam in Banyumas Regency, and 3) recommendations of Sulphur fertilizers in paddy field in the irrigation channel of Arca Kiri dam in Banyumas Regency. The research was conducted in paddy field, in the irrigation channel of Arca Kiri dam in Banyumas Regency, then continued with analysis of the soil in the Institute of Determining Technology of Agriculture (BPTP), Yogyakarta. The research carried out by the determination of sample points based on a purposive random sampling be based Land Homogenous Unit (SLH). Land Homogenous Unit arranged by overlaying the Administrative Map, Slope Map, and Soil Type Map. The number of samples is 8, which is located in 5 villages. The variables were observed namely the nutrient content of Sulphur, EC, pH (H2O), and BS of land. The results showed that the nutrient content of Sulphur from both SLH relatively high, there were SLH A1 reach 86.20 ppm and SLH A2 reach 85.33 ppm. Sulphur fertilizer recommendations for SLH A1 is 10.64 kg S/ha and SLH A2 is 14.60 kg S/ha.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Intégrité de la recherche
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 enseignants0,410
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,003
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0030,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,017
Tête enseignante GPT0,215
Écart entre enseignants0,197 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Ilmiah Teknologi Pertanian AgrotechnoMême sujetPlant Growth and Agriculture TechniquesTravaux en français237 207