L'effet de la fertilisation N, P, K, Mg, Cu et B sur le rendement de la canneberge commerciale
Bibliographic record
Abstract
Québec est le deuxième producteur mondial de canneberge (Vaccinium macrocarpon Ait.) après le Wisconsin et le premier en production biologique. La fertilisation est un outil de gestion déterminant pour atteindre de hauts rendements en fruits de bonne qualité. Notre objectif était de calibrer le dosage de la fertilisation de la canneberge dans des systèmes de production conventionnelle et biologique. Quatre essais de fertilisation comprenant chacun 18 traitements répétés deux fois ont été menés avec le cv. « Stevens » établi sur des parcelles permanentes. Il y avait cinq doses de N, trois de P, quatre de K, et deux de Mg, Cu et B, et un témoin sans apport. Le climat a influencé le rendement. En 2015, où le rendement était plus faible, la température moyenne de la saison était plus froide qu’en 2014, particulièrement en juin lors de l’induction florale dans les bourgeons terminaux nouvellement formés. Le rendement en fruits a été influencé uniquement par les traitements N et K. Le nombre de fruits par tige, la nouaison et le poids des fruits ont été les paramètres de rendement réagissant de la façon la plus cohérente aux traitements N. La nouaison a été réduite de 31% en 2015 par rapport à celle de 2014 avec le traitement de 60 kg N ha ⁻¹. Le nombre de fruits par tige a été le facteur le plus étroitement relié au rendement de la canneberge au fil des ans (R2 = 0,87). Le poids des fruits tendait à se stabiliser avec 30 kg N ha⁻¹ en 2014 et 2015, et avec 33 kg de K ha⁻¹ en 2015. Les doses de 45 kg N ha⁻¹ et de 100 kg de K ha⁻¹ apparaissaient suffisantes. Les ajouts de P, Mg, Cu et B n’ont montré aucun effet significatif sur le rendement de la canneberge. Ces résultats indiquent que la fenêtre de fertilisation azotée est étroite et que la P et K peut être basée non seulement sur l’analyse du sol, mais aussi sur le rendement potentiel et le concept d’enrichissement et d’entretien.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".