Amorcage et separation des graines d'epinette noire (Picea mariana (Mill.) B.S.P.) :
Bibliographic record
Abstract
Au Québec, l'épinette noire est l'essence la plus utilisée pour le reboisement. Toutefois, les lots employés pour la production des plants forestiers sont de qualité variable. L'intérêt d'améliorer la qualité des lots réside dans la diminution des coûts d'opération des pépinières et une utilisation optimale des graines disponibles. L'objectif général de cette étude est de vérifier l'efficacité de procédés de conditionnement et de sélection des graines dans le but d'améliorer la germination des lots de semences d'épinette noire destinés à la production de plants forestiers. Les expérimentations ont été effectuées sur trois lots de qualité distincte. Dans un premier temps, un traitement d'amorçage dans l'eau a été appliqué. Dans un second temps, des graines ont été séparées selon leur taille et leur densité. Une évaluation quantitative de leur contenu lipidique et protéique a ensuite été réalisée. La germination des semences a été évaluée lors de chaque étape. L'amorçage améliore la vitesse et le pourcentage de germination des semences. Le tamisage et la séparation par densité permettent de discriminer les semences selon leur pourcentage de germination, leur vitesse de germination et leur vigueur. L'impact des techniques de séparation est plus important lorsque la qualité du lot est faible. La séparation par densité est plus efficace que le tamisage pour sélectionner les semences selon leur potentiel de germination. Les quantités de protéines et de lipides contenues dans les semences n'expliquent pas les variations de germination observées entre les graines de tailles et de densités différentes. L'amorçage ne permettrait pas d'améliorer la production de plants en récipients. Toutefois, les techniques de séparation occasionneraient une augmentation de l'uniformité de la production des plants forestiers, si on semait séparément les différentes fractions obtenues. La revalorisation de certains lots de graines d'épinette noire dont le pourcentage de germination est jugé trop faible serait aussi possible en utilisant la séparation densimétrique. Des études ultérieures devraient cependant vérifier si ce traitement apporte des bénéfices à l'ensemble des lots de faible potentiel germinatif et si des résultats semblables peuvent être obtenus dans des conditions de culture réelles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".