MétaCan
Menu
Retour à la cohorte
Enregistrement W4210974290 · doi:10.1080/03650340.2022.2033733

Effects of coffee husk and cocoa pods biochar on the chemical properties of an acid soil from West Cameroon

2022· article· en· W4210974290 sur OpenAlexfundno aff
Gilles Pouangam Ngalani, Frank Dzemze Kagho, Nanseu Njiki Charles Peguy, Pascale Prudent, Jean Aubin Ondo, Emmanuel Ngameni

Notice bibliographique

RevueArchives of Agronomy and Soil Science · 2022
Typearticle
Langueen
DomaineMaterials Science
ThématiqueClay minerals and soil interactions
Établissements canadiensnon disponible
Organismes subventionnairesAgence Universitaire de la Francophonie
Mots-clésBiocharHuskChemistrySoil pHAmendmentPyrolysisSoil fertilityFertilizerNutrientIncubationAgronomySlash-and-charTotal organic carbonSoil waterEnvironmental chemistryEnvironmental scienceBotanySoil scienceBiologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Evaluation of liming and fertility properties of biochar on acid soil was studied in this work. Selected soil properties such as pH, electrical conductivity (EC), exchangeable acidity (Ex Ac), exchangeable Al (Ex Al), exchangeable Fe (Ex Fe), available P and, soil organic carbon (SOC) were examined under the effect of biochar amendments. The acid soil was treated with biochar issued from coffee husk (CH) and cocoa pods (CP) pyrolyzed at 350°C and 550°C for 4 hours at amendment rate of 0, 20, 40 and 80 g kg−1 and an incubation time of 7, 14, 30, 40 and 60 d. Biochar amendments significantly increased soil pH, soil EC with respect to control and decrease in exchangeable acidity was observed. Results show that biochar improved available P in acid soil, though re-adsorption occurred with increasing incubation time. A significant increase in SOC is observed as compared to control. The impact of biochar on these acid soil chemical properties is due to the properties which are dependent on the biochar type and pyrolysis temperature. Thus, biochar can play the dual role of a liming agent and a source of P fertilizer nutrients.

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 enseignants0,008
Score d'incertitude au seuil0,621

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 technologies0,0000,002
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 Opus0,012
Tête enseignante GPT0,219
Écart entre enseignants0,207 · 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

Citations19
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArchives of Agronomy and Soil ScienceMême sujetClay minerals and soil interactionsTravaux en français237 207