MétaCan
Menu
Retour à la cohorte
Enregistrement W4281700066 · doi:10.1166/jbmb.2022.2165

Effects of Liquid Nano-Carbon Bio-Fertilizer on the Growth of Spinach

2022· article· en· W4281700066 sur OpenAlexaff
Ying Zhao, Ping Zhao, Tian Li, Zhenji Tian

Notice bibliographique

RevueJournal of Biobased Materials and Bioenergy · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant Growth Enhancement Techniques
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésSpinachFertilizerYield (engineering)ChemistryUreaAgronomyAnimal scienceCarbon fibersHorticultureMathematicsBiologyMaterials scienceBiochemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

In order to compare the effects of liquid biological nano-carbon fertilizer, humic acid and urea on the growth of Spinach, a field plot experiment was conducted to study the effects of five different treatments on root length, yield and quality of annual Spinach. Fertilizer had a significant effect on root length of annual Spinach. The order of root length was T3 > T5 > T4 > T2 > T1. The growth rates of roots were 21.69%, 18.94%, 14.26%, 3.76% and 0.0%, respectively. Fertilizer significantly increased the yield of annual Spinach. The order of yield increase was T5 > T3 > T4 > T2 > T1. The yields were increased by 16.66%, 14.71%, 10.55%, 6.44% and 0.0%, respectively. Potato liquid nano-carbon bio-fertilizer has a significant effect on maintaining the growth and increasing yield of Spinach.

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)0,000
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 enseignants0,007
Score d'incertitude au seuil0,140

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,010
Tête enseignante GPT0,196
Écart entre enseignants0,186 · 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Biobased Materials and BioenergyMême sujetPlant Growth Enhancement TechniquesTravaux en français237 207