MétaCan
Menu
Retour à la cohorte
Enregistrement W7077058113 · doi:10.5376/msb.2025.16.0006

Study on the Effects of Different Irrigation Strategies on the Yield and Quality of <i>Chrysanthemum morifolium</i>

2025· article· en· W7077058113 sur OpenAlexvenueno aff

Notice bibliographique

RevueMolecular Soil Biology · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueGeochemistry and Geologic Mapping
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIrrigationSowingWater-use efficiencyYield (engineering)Surface irrigationDeficit irrigationDrip irrigationWater conservation

Résumé

récupéré en direct d'OpenAlex

We studied the effects of different irrigation methods on the yield, quality, stress resistance and water use efficiency of Chrysanthemum morifolium . The results showed that water-saving irrigation and precision irrigation during the growth period could significantly improve the water use efficiency without affecting the yield. If sufficient irrigation is adopted, although the yield per mu is the highest, the water use efficiency is poor. We also noticed that the amount of effective components such as flavonoids and volatile oil would change with different irrigation methods. Among them, precision irrigation can make these medicinal ingredients accumulate more. Water saving irrigation also makes chrysanthemum more drought resistant and disease resistant, and powdery mildew and leaf spot disease occur less. The study also shows that efficient irrigation methods such as drip irrigation can further improve water use efficiency and provide a good help for planting in different regions. This study provides a theoretical basis and technical methods for the efficient planting of Chrysanthemum morifolium . By adjusting the irrigation strategy, it can not only save water resources, but also promote the development of chrysanthemum industry, and also help to promote the development direction of green agriculture.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,366
Score d'incertitude au seuil0,324

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 ouverte0,0010,000
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 Opus0,020
Tête enseignante GPT0,262
Écart entre enseignants0,242 · 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'étudeExpérimental (laboratoire)
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMolecular Soil BiologyMême sujetGeochemistry and Geologic MappingTravaux en français237 207