The effects of different water and nitrogen levels on yield, water and nitrogen utilization efficiencies of spinach (<i>Spinacia oleracea</i> L.)
Notice bibliographique
Résumé
Zhang, J., Sha, Z., Zhang, Y., Bei, Z. and Cao, L. 2015. The effects of different water and nitrogen levels on yield, water and nitrogen utilization efficiencies of spinach (Spinacia oleracea L.). Can. J. Plant Sci. 95: 671−679. Water and nitrogen (N) are important factors that affect crop yield. The objective of this study was to explore the interactive effect of water and nitrogen on biomass production, yield and growth responses, water and nitrogen use efficiency of winter-grown spinach. A field experiment was grown with treatments of varying water (W) and nitrogen (N) levels near Shanghai, China. Leaf area, shoot biomass and height of spinach increased with the application of N in the well-watered treatment. The highest chlorophyll content was found in spinach treated with N 2 (170 kg ha −1 nitrogen). A response surface analysis was done on plant height, leaf number, leaf weight, and plant yield of each spinach plant at different water and nitrogen levels. The equation for each of the response surfaces was taken and solved for the mathematical optimum of the curves. Abundant water supply resulted in the highest spinach yield. Yield of spinach increased with N application rates but decreased when the N was excessive. Compared with the low water treatment (W 3 ), a higher N leaching ratio was observed in the high water treatment (W 1 ), regardless of N treatment. With the increase of N application, N use efficiency of spinach significantly decreased, while water use efficiency of spinach increased. In conclusion, water levels between 36.15 cm and 42 cm, and nitrogen applications between 86 and 152.74 kg ha −1 could be recommended as the optimal treatment for spinach growth.
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 ».