Thành phần sâu hại và thiên địch trong mô hình trồng bổ sung hoa với cây khổ qua (Momordica charantia L.)
Bibliographic record
Abstract
Duy trì nguồn thiên địch trên đồng ruộng nhằm kiểm soát sâu hại là một trong những mục tiêu phát triển nền nông nghiệp bền vững. Thí nghiệm nhằm đánh giá hiệu quả trồng bổ sung hoa sao nhái và hoa ngũ sắc vào ruộng khổ qua nhằm thu hút và tạo nguồn dinh dưỡng cho các loài thiên địch. Qua bảng kết quả thống kê tổng mật số sâu hại có sự khác biệt có ý nghĩa giữa các nghiệm thức trong thí nghiệm (Pnt = 0,00). Lần khảo sát đầu tiên số lượng sâu hại trên nghiệm thức X3 (có bố trí hoa sao nhái và hoa ngũ sắc bên cạnh), X1 (bố trí hoa ngũ sắc bên cạnh) và X2 (bố trí hoa sao nhái bên cạnh) thấp hơn, khác biệt có ý nghĩa so với số lượng sâu hại trên nghiệm thức X0 (không bố trí hoa bên cạnh). Lần khảo sát thứ hai, nghiệm thức X2, X3 cho mật độ sâu hại ít nhất, nghiệm thức X1 xuất hiện với mật số tương đối cao và ở nghiệm thức X0 cho mật số cao nhất. Số lượng thiên địch trên nghiệm thức X2 và X3 cao hơn, khác biệt có ý nghĩa so với số lượng thiên địch trên nghiệm thức X0 (Pnt = 0,00). Các nghiệm thức trồng bổ sung hoa đã thu hút và duy trì một số loài thiên địch trên ruộng khổ qua như bọ rùa, nhện bắt mồi và ong ký sinh. Ý nghĩa của việc trồng bổ sung hoa để duy trì thiên địch trong hệ thống rau sinh thái được thảo luận trong nghiên cứu này.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.005 |
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".