Doses de fertilizantes potássicos no acúmulo de cloro e produção da cana-de-açúcar
Bibliographic record
Abstract
O alto consumo de fertilizantes utilizados na cultura da cana-de-açúcar decorre da elevada necessidade nutricional, devido à grande produção de biomassa por área e da elevada remoção de nutrientes no processo de colheita.A utilização do fertilizante potássico KCl pode ser um fator que contribua indiretamente com a poluição do meio ambiente, emitindo moléculas cloradas tóxicas através da queima da biomassa da cana-de-açúcar utilizada para a produção de energia nas usinas.Conhecer as fontes dessas moléculas é de grande importância na determinação do risco ao qual as pessoas e outros receptores estão expostos e para o estabelecimento de alternativas para o controle destes poluentes.Esta pesquisa tem como objetivo avaliar a resposta da cana-de-açúcar frente a fontes e doses de fertilizantes potássicos e investigar o acúmulo de cloro proveniente do fertilizante potássico KCl.Para testar as hipóteses desta pesquisa foram instalados 2 experimentos na área experimental do Instituto de Ciências Agrárias da Universidade Federal de Uberlândia, no Campus Umuarama em Uberlândia-MG, no ano de 2016.A unidade experimental (parcela) de ambos os experimentos constituiu-se de um vaso com: 0,60 m de diâmetro, 0,92 m de altura, preenchido com 200 kg de solo onde foram plantadas 3 mudas de cana-de-açúcar da variedade RB 93-7570.Ambos os experimentos foram dispostos em blocos casualizados,
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 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) | 0.002 | 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".