¿Funcionan realmente los microorganismos de montaña (MM) como estrategia de biofertilización? Un enfoque de ingeniería de biosistemas
Bibliographic record
Abstract
El uso de microorganismos en aplicaciones ingenieriles, en particular desde un contexto de ingeniería de biosistemas tropicales, es útil para comprender el efecto de variables que determinan la dinámica microbiológica del suelo. Hemos enmarcado y diseñado el presente estudio dentro de esos esfuerzos para documentar el potencial de microorganismos de montaña como estrategia de biofertilización de suelos a partir de un experimento con dos plantas de ciclo de vida corto. Para ello, realizamos un diseño en el cual los cultivos escogidos fueron irrigados de forma diferencial con tres tratamientos de un biol elaborado con tres tiempos diferentes de retención en un biorreactor. Estos tratamientos los comparamos con un control que fue irrigado únicamente con agua. Tras la cosecha, llevamos a cabo una serie de pruebas biológicas, químicas, físico-estructurales y agronómicas con el suelo y con las plantas cultivadas para determinar diferencias potenciales en el efecto de los tratamientos experimentales. Los resultados indicaron que un tiempo de retención en biorreactor cercano a dos semanas fue el que generó un biol con un impacto positivo significativo a nivel de actividad biológica, propiedades químicas del suelo y calidad de los cultivos. Estas diferencias significativas parecen estar relacionadas con una dinámica más activa del sistema edáfico correspondiente al mismo tratamiento. Lo anterior demuestra que la biofertilización con microorganismos de montaña funciona, pero sugiere que una serie de parámetros ingenieriles deben ser estudiados para optimizar esta estrategia de fertilización de bajo costo y ambientalmente sostenible.
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 | 0.002 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| 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".