MétaCan
Menu
Retour à la cohorte
Enregistrement W4200620063 · doi:10.3390/agriculture11121232

The Combined Effect of Nitrogen Treatment and Weather Conditions on Wheat Protein-Starch Interaction and Dough Quality

2021· article· en· W4200620063 sur OpenAlexaff
Indrek Keres, Maarika Alaru, Reine Koppel, Illimar Altosaar, Tiina Tosens, Evelin Loit

Notice bibliographique

RevueAgriculture · 2021
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensWilfrid Laurier UniversityUniversity of Ottawa
Organismes subventionnairesEesti Teadusagentuur
Mots-clésGlutenStarchAgronomyNitrogenWinter wheatCropField experimentFood scienceChemistryAnimal scienceBiology

Résumé

récupéré en direct d'OpenAlex

The objective of this field crop study was to compare the effect of organic (cattle manure, off-season cover crop) and mineral N (NH4NO3; 0, 50, 100° 150 kg N ha−1) fertilizers on (i) gluten-starch interaction, and (ii) rheological properties of winter wheat dough. Data were collected from the long-term field experiment located in the Baltic Sea region (58°22′ N, 26°40′ E) in years 2013–2017. The amount of minuppueral N 150 kg ha−1 applied in two parts before flowering ensured higher gluten content (31 ± 3.3%) and dough quality (81 ± 7.4 mm) due to more positive interactions between gluten proteins and starch granules. The quality of dough was more variable in organic treatments (ranged up to 33%) because the availability of organic N was more variable and sensitivity to the weather conditions was higher. The mean variability of different dough properties over trial years under organic treatments was 1.4–2.0 times higher than in the treatment with 150 kg N 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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,018
Score d'incertitude au seuil0,168

Scores Codex et Gemma par catégorie

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 Opus0,015
Tête enseignante GPT0,284
Écart entre enseignants0,269 · 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 tête enseignante, 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

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgricultureMême sujetFood composition and propertiesTravaux en français237 207