MétaCan
Menu
Retour à la cohorte
Enregistrement W4377840245 · doi:10.29303/wicara.v1i3.2447

PEMANFAATAN AQUAPONIK SEBAGAI TEKNOLOGI BUDIDAYA IKAN NILA DAN SAYURAN YANG MENDUKUNG PERTANIAN BERKELANJUTAN DI DESA KAYANGAN, KECAMATAN KAYANGAN, KABUPATEN LOMBOK UTARA

2023· article· en· W4377840245 sur OpenAlexfundno aff
M A Azis, Heny Widianti, Sanhuri Sanhuri, Sulhan Salma Ranesa, Syarifa Ayu Anggraini, Zulham Mizwar, Cok Gea Berliana, Nur Ayu Lestari, Ragil Alfarizi Kalia, Rani Sahrani, Made Sriasih

Notice bibliographique

RevueJurnal Wicara Desa · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCoastal Management and Development
Établissements canadiensnon disponible
Organismes subventionnairesUniversitas Gadjah MadaMcGill University
Mots-clésAquaponicsSowingFish <Actinopterygii>NutrientManureChicken manureHorticultureBiologyEnvironmental scienceAgricultural scienceAgronomyFisheryAquacultureEcology

Résumé

récupéré en direct d'OpenAlex

This introduction to aquaponic planting techniques aims to provide examples of the application of advanced and sustainable agricultural technology to the people in Kayangan village, Kayangan sub-district, North Lombok district (KLU). This activity was carried out from December 2022 to February 2023 at the Bagek Kembar hamlet, Kayangan. The fish used were 60 days old fish seeds with a size of 10 cm x 5 cm which were reared in a 4x3 m tarpaulin container. The plant growth media used is in the form of used foam taken from one of the residents' houses with a size of 5 cm. Placement of the planting media uses used plastic cups and used bottles as containers for placing plastic cups. The vegetables used in making this aquaponics are mustard greens, lettuce and pakcoy. The nutrients used to support plant growth are in the form of fish manure and some additional organic nutrients which are made independently using organic waste from the kitchen. The results of using aquaponic technology as a cultivation technology show that the plants grow but the leaves of the plants turn yellow and the fish in the pond can grow large.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0220,003

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 Opus0,014
Tête enseignante GPT0,231
Écart entre enseignants0,217 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Wicara DesaMême sujetCoastal Management and DevelopmentTravaux en français237 207