MétaCan
Menu
Retour à la cohorte
Enregistrement W7162109912 · doi:10.82308/15763

Evaluation of annual companion crops for the establishment of perennial forages in Québec

2021· dissertation· en· W7162109912 sur OpenAlexaboutno aff
Sandrine St‐Pierre‐Lepage

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgroforestry and silvopastoral systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésZea maysSemisPerennial plantPlant production

Résumé

récupéré en direct d'OpenAlex

L’industrie laitière est l’un des secteurs les plus importants au Canada, pour laquelle les plantes fourragères sont majoritairement utilisées. Lors du semis de plantes fourragères pérennes, comme la luzerne (Medicago sativa L.), les rendements sont minimaux et les plantes ne sont pas compétitives contre les mauvaises herbes. L’utilisation d’espèces annuelles comme plantes-abri avec des plantes pérennes est une approche qui peut permettre d’augmenter les rendements et réduire les mauvaises herbes lors de l’année de semis. Le but de cette expérience était d’évaluer le potentiel de différentes plantes annuelles comme plante-abri lors de l’établissement de plantes fourragères pérennes dans un contexte de changements climatiques. Précisément, six plantes-abri annuelles (i.e., trèfle d’Alexandrie [Trifolium alexandrinum L.], pois fourragers [Pisum sativum L.], ray-grass annuel [Lolium multiflorum Lamarck], avoine [Avena sativa L.], millet japonais [Echinochloa esculenta (A. Braun) H. Scholz], et herbe du Soudan [Sorghum × drummondii (Nees ex. Steud.) Millsp. & Chase]) ont été semées avec un mélange binaire de luzerne et fléole des prés (Phleum pratense L.) à trois dates différentes et trois sites avec différentes conditions pédoclimatiques au Québec. Les traitements ont été comparés par rapport aux rendements, composition botanique (i.e., proportions de luzerne, fléole des prés, plante-abri et mauvaises herbes), valeur nutritive, contrôle de mauvaises herbes et établissement du mélange binaire. À tous les environnements, l’utilisation de l’avoine, du millet japonais et de l’herbe du Soudan comme plantes-abri, semés en début de saison, ont augmenté les rendements fourragers totaux dans l’année de semis (de 82 % en moyenne) et permis de réduire les mauvaises herbes (de 57 % en moyenne), comparés au témoin du mélange de luzerne et fléole des prés semé sans plante-abri. Cependant, la valeur nutritive des fourrages ainsi que le nombre de tiges de plantes pérennes ont été réduits dans l’année de semis avec l’utilisation de l’herbe du Soudan suivi du millet japonais et de l’avoine comme plantes-abri comparés au témoin semé sans plantes-abri. Les rendements fourragers totaux lors de l’année post-semis ont également été réduits (de 26 % en moyenne) avec l’utilisation de ces trois espèces de plantes-abri dans l’année de semis comparativement au témoin. En août, l’avoine suivi du millet japonais ont augmenté les rendements, mais ont eu les mêmes effets négatifs qu’aux dates de semis précédentes. Donc, l’utilisation de l’herbe du Soudan et du millet japonais comme plantes-abri pour l’établissement de plantes pérennes serait appropriée afin d’augmenter les rendements dans l’année de semis. L’utilisation de l’avoine comme plante-abri permet également d’augmenter les rendements tout en affectant moins les autres variables évaluées. Par exemple, l’utilisation de l’avoine comme plante-abri dans l’année de semis a augmenté les concentrations de aNDF de 32 % vs de 37 % en moyenne avec l’herbe du Soudan et le millet japonais comparés au témoin. Les pois utilisés en plante-abri ont permis d’obtenir des rendements fourragers totaux intermédiaires et des fourrages de haute qualité lors de l’année de semis sans avoir d’effets résiduels sur les rendements fourragers totaux dans l’année post-semis

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)0,000
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 enseignants0,898
Score d'incertitude au seuil0,945

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,039
Tête enseignante GPT0,288
Écart entre enseignants0,249 · 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAgroforestry and silvopastoral systemsTravaux en français237 207