MétaCan
Menu
Retour à la cohorte
Enregistrement W4408805491 · doi:10.3329/bjsir.v60i1.78048

Effect of sowing time on fibre yield and chemical composition of flax genotypes

2025· article· en· W4408805491 sur OpenAlexaboutno aff
Md. Mostafizur Rahman, A.K.M. Golam Sarwar, Jannatun Nayeem, Md. Eakramul Haque, M. Sarwar Jahan

Notice bibliographique

RevueBangladesh Journal of Scientific and Industrial Research · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueVaried Academic Research Topics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSowingYield (engineering)Composition (language)AgronomyChemical compositionHorticultureChemistryBiologyMaterials scienceComposite material

Résumé

récupéré en direct d'OpenAlex

Flax is an important industrial crop known for its high-quality fibres and various applications in textiles, composites, pulp and paper, and other industries. This study investigates the impact of sowing time and phenological stages on fibre yield and chemical composition of different flax genotypes. Four genotypes: BARI Tishi-1, BD-10708, Canada and China were grown under various sowing times, and fibre yield, cellulose, lignin, hemicellulose and extractives were evaluated. Sowing on November 16 produced the highest fibre yield, with early sowing leading to reduced yield. Analysis of chemical composition at flowering and post-flowering stages revealed significant variation in cellulose, lignin, hemicellulose, and extractive contents across genotypes. BARI Tishi-1 and China demonstrated high and stable α-cellulose levels, particularly in later plantings and post-flowering stages. However, Canada had high extractive and hemicellulose contents. The findings underscore the importance of optimizing sowing time to maximize fibre yield and quality, which is essential for meeting industrial standards and improving the economic value of flax. Bangladesh J. Sci. Ind. Res. 60(1), 45-52, 2025

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: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,070
Tête enseignante GPT0,336
Écart entre enseignants0,266 · 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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBangladesh Journal of Scientific and Industrial ResearchMême sujetVaried Academic Research TopicsTravaux en français237 207