MétaCan
Menu
Retour à la cohorte
Enregistrement W6996112791

Recovering from Hail

2021· other· en· W6996112791 sur OpenAlexaboutno aff

Notice bibliographique

RevueUniversity Library (University of Saskatchewan) · 2021
Typeother
Langueen
DomaineComputer Science
ThématiqueAI in cancer detection
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCropYield (engineering)CanopyAgricultureCrop yieldFungicideNutrient
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Hailstorms can be responsible for significant economic loss to the agricultural sector in Alberta. Foliar applications of certain fungicides and nutrient blends have been advocated to promote recovery and yield of hail-damaged crops. Proper understanding of different crop- and hail-related factors is required for an accurate assessment of hail damage to crops, and for evaluations of hail-recovery product claims. This study was undertaken at three locations in Alberta during three growing seasons (2016-18) to determine the effect(s) of two levels of simulated hail severity at three different crop developmental stages including early vegetative, middle vegetative and reproductive stages. Plant growth, yield and grain quality parameters of wheat, field pea and dry bean crops were measured. Simulated hail damage led to reductions in crop height, biomass, canopy cover, grain yield and kernel weight of all three crops. Timing of simulated hail was a critical factor influencing the extent of crop damage with early damage to vegetative stages having less effect on yield compared to damage at later reproductive stages. This trend was especially evident in wheat which did not show significant reduction in yield from the damage at early tillering stages but had significant yield loss with damage at flowering. Foliar applications of fungicides and nutrient blends did not significantly improve crop recovery, grain yield or kernel weight for any of the crops in this study, and thus, their use for the recovery of hail-affected wheat, field pea and dry bean was not supported by the results of this study. Link to Video Presentation: https://youtu.be/vgUDIufNwPo

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,207
Score d'incertitude au seuil0,411

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 technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,008
Tête enseignante GPT0,154
Écart entre enseignants0,146 · 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'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUniversity Library (University of Saskatchewan)Même sujetAI in cancer detectionTravaux en français237 207