MétaCan
Menu
Retour à la cohorte
Enregistrement W4410110772 · doi:10.17504/protocols.io.5jyl8d8jrg2w/v1

Crop metrics for nutrient management research in corn-based cropping systems v1

2025· preprint· en· W4410110772 sur OpenAlexaboutno aff
Lori Abendroth, Tai McClellan Maaz, Sylvie M. Brouder, Cynthia A. Cambardella, Giorgi Chighladze, Laura E. Christianson, C. F. Drury, Fabián G. Fernández, Lowell E. Gentry, Matthew J. Helmers, D. B. Jaynes, John L. Kovar, Thomas B. Moorman, Kelly A. Nelson, Cameron M. Pittelkow, John E. Sawyer, Jeffrey J. Volenec, Alison J. Eagle

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueCrop Yield and Soil Fertility
Établissements canadiensnon disponible
Organismes subventionnairesInternational Plant Nutrition Institute
Mots-clésCroppingNutrient managementAgronomyCropCropping systemCrop managementAgroforestryZea maysAgricultural engineeringNutrientEnvironmental scienceBiologyAgricultureEngineeringEcology

Résumé

récupéré en direct d'OpenAlex

This protocol was used by a collaborative research team referred to as the “NutriNet Project” in corn-based cropping systems of the U.S. Midwest and Canada. Plant measurements were collected from field-based experiments to determine aboveground biomass and nutrient concentration at different crop development stages. Corn (Zea mays L.) and soybean (Glycine max (L.) Merr.) are the cash crops and cereal rye (Secale cereale L.) is the cover crop described in this protocol. The total amount of nutrient uptake is calculated based on the plant biomass and nutrient concentration measurements. Nutrient analysis was conducted using dried, ground plant samples, separated into grain and non-grain components when applicable. Ancillary measurements, such as chlorophyll meter readings and corn stalk nitrate concentrations, are also described as these provide important context for informing nutrient management decisions. Corn was the dominant crop and focus of the project team when collecting measurements; this is evident by the detail describing corn in this protocol.

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)0,002
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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,630
Score d'incertitude au seuil0,898

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
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 Opus0,188
Tête enseignante GPT0,362
Écart entre enseignants0,174 · 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'étudeAutre devis
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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCrop Yield and Soil FertilityTravaux en français237 207