Nutritional Status of Mango by the Boundary Line and Mathematical Chance Methods
Notice bibliographique
Résumé
The objective of this study was to establish the optimal content and sufficiency range of the nutrients in mango of the cultivars Tommy Atkins, Kent and Keitt in the Sub-middle San Francisco Valley by the Boundary Line and Mathematical Chance methods and compare them to other nutritional diagnosis methods used in Brazil and Australia. The study was carried out in seven commercial farms cultivated with mangoes, located in the Sub-Middle São Francisco Valley. The database used was formed from the results of the analysis of leaves and the productivity of irrigated mango trees. For Boundary Line and Mathematical Chance methods were estimated the optimal nutrient content, as well as the sufficiency range and later were compared between them and with the optimal contents and sufficiency ranges recommended in literature. The optimal nutrient contents for mango tree cultivars by the Boundary Line and Mathematical Chance methods were close to the mean contents of the high productivity population, and also disagreed of the diagnoses of the methods the literature, suggesting that these methods were more consistent and expressed better the regional management of mango tree cultivation in the Sub-Middle São Francisco Valley. The Mo sufficiency range developed by the Boundary Line and Mathematical Chance methods made it possible to assess the nutritional status of this nutrient in the region. These results show the importance of creating and validating specific nutritional standards for the edapho-climatic conditions of the Valley, taking into account the production management and nutritional requirement of the cultivars.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».