EMERGÊNCIA E ESTABELECIMENTO DE PLÂNTULAS DE <i>Guazuma ulmifolia </i>LAM. EM FUNÇÃO DE DIFERENTES TRATAMENTOS PRÉ-GERMINATIVOS
Bibliographic record
Abstract
Este trabalho testou a influência de métodos de escarificação térmica e mecânica na emergência e estabelecimento de plântulas de Guazuma ulmifolia.As sementes foram submetidas aos tratamentos pré-germinativos de (1) escarificação mecânica (lixa), e (2) escarificação térmica (água quente), além do tratamento-controle (3) no qual as sementes foram deixadas intactas. O tratamento feito com escarificação térmica diferiu dos demais tratamentos, apresentando o maior número de plântulas emergidas. As sementes tratadas com lixa obtiveram a menor porcentagem de emergência, não diferindo do tratamento-controle. Para o índice de velocidade de germinação não foi verificada diferença significativa entre os tratamentos e o pico de emergência de plântulas foi entre o 13º e 15º dia de incubação em todos os tratamentos. Quanto ao estabelecimento, o crescimento (altura, diâmetro e número de folhas e de nós) das plântulas diferiu entre os tratamentos pré-germinativos. Observou-se maior crescimento das plântulas após suas sementes passarem por escarificação térmica. Assim, a escarificação com água quente é o método mais adequado para quebra da dormência das sementes de Guazuma ulmifolia, proporcionando plântulas mais vigorosas.
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 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".