MétaCan
Menu
Retour à la cohorte
Enregistrement W4416621349 · doi:10.1002/agj2.70229

Off‐season crops as a strategy for renovating degraded pastures and improving maize yield in a low‐altitude tropical region

2025· article· en· W4416621349 sur OpenAlexaff
Sarah V. Pedrão, Job Teixeira de Oliveira, Otávio M. Correa, Aline Oliveira Silva, Aline O. Matoso, Marco Aurélio Carbone Carneiro, Eric Haydt Castello Branco van Cleef, Flávio Hiroshi Kaneko

Notice bibliographique

RevueAgronomy Journal · 2025
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoil Management and Crop Yield
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesFundação de Amparo à Pesquisa do Estado de Minas Gerais
Mots-clésIntercroppingPastureYield (engineering)TropicsProductivityMonocroppingGrain yieldCrop yield

Résumé

récupéré en direct d'OpenAlex

Abstract Brazil can expand cultivated areas without deforestation by restoring degraded pastures and optimizing grain production through off‐season crops. This study evaluated eight off‐season treatments, including fallow, monocrops, and intercropping combinations, and their effects on maize ( Zea mays L.) intercropped with guinea grass ( Megathyrsus maximus (Jacq.) B.K. Simon & S.W.L. Jacobs ‘Massai’) in a tropical low‐altitude region. The millet ( Pennisetum glaucum (L.) R. Br.) + guinea grass treatment produced high aboveground biomass, efficient macronutrient accumulation, reduced soil temperature, and increased maize grain yield and guinea grass productivity compared to other treatments. Overall, the use of off‐season crops improves degraded pasture renovation, enhances subsequent summer intercropped maize productivity, and represents a promising and sustainable agricultural practice.

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)0,000
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,617
Score d'incertitude au seuil0,252

Scores Codex et Gemma par catégorie

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 recherche0,0000,000
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 Opus0,025
Tête enseignante GPT0,243
Écart entre enseignants0,218 · 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'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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgronomy JournalMême sujetSoil Management and Crop YieldTravaux en français237 207