MétaCan
Menu
Back to cohort
Record W7162109912 · doi:10.82308/15763

Evaluation of annual companion crops for the establishment of perennial forages in Québec

2021· dissertation· en· W7162109912 on OpenAlexaboutno aff
Sandrine St‐Pierre‐Lepage

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldAgricultural and Biological Sciences
TopicAgroforestry and silvopastoral systems
Canadian institutionsnot available
Fundersnot available
KeywordsZea maysSemisPerennial plantPlant production

Abstract

fetched live from OpenAlex

L’industrie laitière est l’un des secteurs les plus importants au Canada, pour laquelle les plantes fourragères sont majoritairement utilisées. Lors du semis de plantes fourragères pérennes, comme la luzerne (Medicago sativa L.), les rendements sont minimaux et les plantes ne sont pas compétitives contre les mauvaises herbes. L’utilisation d’espèces annuelles comme plantes-abri avec des plantes pérennes est une approche qui peut permettre d’augmenter les rendements et réduire les mauvaises herbes lors de l’année de semis. Le but de cette expérience était d’évaluer le potentiel de différentes plantes annuelles comme plante-abri lors de l’établissement de plantes fourragères pérennes dans un contexte de changements climatiques. Précisément, six plantes-abri annuelles (i.e., trèfle d’Alexandrie [Trifolium alexandrinum L.], pois fourragers [Pisum sativum L.], ray-grass annuel [Lolium multiflorum Lamarck], avoine [Avena sativa L.], millet japonais [Echinochloa esculenta (A. Braun) H. Scholz], et herbe du Soudan [Sorghum × drummondii (Nees ex. Steud.) Millsp. & Chase]) ont été semées avec un mélange binaire de luzerne et fléole des prés (Phleum pratense L.) à trois dates différentes et trois sites avec différentes conditions pédoclimatiques au Québec. Les traitements ont été comparés par rapport aux rendements, composition botanique (i.e., proportions de luzerne, fléole des prés, plante-abri et mauvaises herbes), valeur nutritive, contrôle de mauvaises herbes et établissement du mélange binaire. À tous les environnements, l’utilisation de l’avoine, du millet japonais et de l’herbe du Soudan comme plantes-abri, semés en début de saison, ont augmenté les rendements fourragers totaux dans l’année de semis (de 82 % en moyenne) et permis de réduire les mauvaises herbes (de 57 % en moyenne), comparés au témoin du mélange de luzerne et fléole des prés semé sans plante-abri. Cependant, la valeur nutritive des fourrages ainsi que le nombre de tiges de plantes pérennes ont été réduits dans l’année de semis avec l’utilisation de l’herbe du Soudan suivi du millet japonais et de l’avoine comme plantes-abri comparés au témoin semé sans plantes-abri. Les rendements fourragers totaux lors de l’année post-semis ont également été réduits (de 26 % en moyenne) avec l’utilisation de ces trois espèces de plantes-abri dans l’année de semis comparativement au témoin. En août, l’avoine suivi du millet japonais ont augmenté les rendements, mais ont eu les mêmes effets négatifs qu’aux dates de semis précédentes. Donc, l’utilisation de l’herbe du Soudan et du millet japonais comme plantes-abri pour l’établissement de plantes pérennes serait appropriée afin d’augmenter les rendements dans l’année de semis. L’utilisation de l’avoine comme plante-abri permet également d’augmenter les rendements tout en affectant moins les autres variables évaluées. Par exemple, l’utilisation de l’avoine comme plante-abri dans l’année de semis a augmenté les concentrations de aNDF de 32 % vs de 37 % en moyenne avec l’herbe du Soudan et le millet japonais comparés au témoin. Les pois utilisés en plante-abri ont permis d’obtenir des rendements fourragers totaux intermédiaires et des fourrages de haute qualité lors de l’année de semis sans avoir d’effets résiduels sur les rendements fourragers totaux dans l’année post-semis

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.898
Threshold uncertainty score0.945

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.039
GPT teacher head0.288
Teacher spread0.249 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2021
Admission routes1
Has abstractyes

Explore more

Same topicAgroforestry and silvopastoral systemsFrench-language works237,207