HIệU QUả CủA PHÂN HữU CƠ Và VÔI TRONG CảI THIệN MộT Số ĐặC TíNH ĐấT Và SINH TRƯởNG CủA LúA TRÊN ĐấT NHIễM MặN
Bibliographic record
Abstract
Xâm nhập mặn ảnh hưởng bất lợi đến sản xuất nông nghiệp và thu nhập của nông dân tại Thạnh Phú, Bến Tre. Vì thế, nghiên cứu cung cấp dinh dưỡng cân đối, cải thiện đặc tính đất nhiễm mặn, tăng năng suất cây trồng trên vùng đất nhiễm mặn là rất cần thiết thực hiện. Đề tài nghiên cứu nhằm đánh giá hiệu quả của bón phân hữu cơ và vôi trong cải thiện đặc tính đất nhiễm mặn và sinh trưởng của lúa trong điều kiện nhà lưới. Kết quả thí nghiệm cho thấy đất bị nhiễm mặn và mặn sodic khi bị ngập mặn với độ mặn 6? vào giai đọan cuối vụ trồng. Bón phân hữu cơ và vôi giúp, giảm nồng độ Na trao đổi và giảm ESP trong đất, đồng thời tăng đạm hữu dụng, lân dễ tiêu, kali trong đất. Tuy nhiên với độ mặn cao do ngập mặn 6?, cây lúa không thể phát triển. Trong điều kiện giảm độ mặn 5?, bón 5 T/ha phân hữu cơ và 0,5 T/ha vôi giúp cây lúa phát triển tốt, thành phần năng suất và năng suất lúa được cải thiện có ý nghĩa. Thí nghiệm cần được thực hiện tiếp trong điều kiện thực tế đồng ruộng.
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) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.154 | 0.072 |
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".