Effects of Water Depth and Seedling Rate on Weed Control and Yield of Late Season Lowland Rice (Oryza sativa L)
Notice bibliographique
Résumé
Three-year late season field experiment was conducted between 2011 and 2013 on the irrigated lowland experimental field at Edozhigi (9º04N, 6º7E) in the Southern Guinea savannah ecological zone of Nigeria, to determine the effects of different water depths and seedling rates on weed control, yield and yield components of lowland rice. The trial was laid out using a split plot design with six water depths (5 cm, 10 cm, 15 cm, 20 cm, saturated soil and continuous flow of water at 3 cm depth) as the main plots while seedling rates of 2, 4, and 6) per stand constituted the sub-plots. The treatments were replicated three times. The results indicated that the growth of weed species was significantly affected as water depth increased while rice yield was significantly enhanced as water depth increased to 20 cm. The 20 cm water depth gave weed control efficiency (WCE) of 57.6, 94.1 and 93.3% at 60 days after transplanting (DAT) in 2011, 2012 and 2013 respectively which was about 87% better than that obtained from saturated plots. At water depths of 10 and 20 cm, the growth of grasses and sedges were reduced by 60 and 100% respectively, while saturated and continuous flow of water encouraged their growth. Water depths of 10, 15 and 20 cm gave grain yield of 5052, 4700 and 4066 kg ha-1 which were 84, 85 and 85.5% higher than yields obtained from saturated plot in 2011, 2012 and 2013 respectively. Transplanting of 4 to 6 seedlings significantly suppressed weed growth and enhanced rice grain yield than 2 seedlings per stand. It is therefore concluded that maintaining water depths of 15 and 20 cm and seedling rates of 4 and 6 significantly suppressed weed growth and enhanced rice yield.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».