Effets des conditions de culture et de la fertilisation de plantes fourragères sur leur rendement, leur composition nutritive, et les impacts sur l'équilibre nutritif chez les ruminants
Bibliographic record
Abstract
Les productions laitières et de bovins de boucherie représentent un secteur important de l’agriculture. Le foin cultivé servant de base à l’alimentation des troupeaux couvre un peu plus de 40% des superficies en culture au Québec. La qualité du foin a un impact sur des déséquilibres nutritionnels comme l’hypomagnésémie et l’hypocalcémie chez la vache en lactation. L’influence de facteurs climatiques, pédologiques, de gestion et de fertilisation sur le rendement et la qualité du foin peut être décrite par des modèles linéaire et mixte (Mitscherlich); ce modèle permet de rendre compte des effets fixes qui affectent tous les échantillons de la même manière, et des effets aléatoires, spécifiques à chacun. L’objectif est d’élaborer un modèle de réponse du rendement en fourrage et de risque d’hypomagnésémie aux facteurs d’environnement et de gestion. Le modèle établit un lien entre le rendement, l’analyse minérale et texturale des parcelles où sont cultivées les plantes fourragères, les données climatiques recueillies lors des essais, comme les degrés-jours, le cumul et la diversité des précipitations, la fertilisation azotée, phosphorée et potassique, et le mélange fourrager. Les facteurs qui affectent le plus significativement à la hausse les rendements en fourrage sont les fertilisations azotée et phosphatée, une hausse du nombre de degrés-jours, une augmentation des précipitations, une diminution de la teneur en argile, et une diminution de la balance [Légumineuses
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) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| 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".