Topography and Management of Nitrogen and Fungicide Affects Diseases and Productivity of Canola
Notice bibliographique
Résumé
Successful application of precision agriculture technology requires information on crop response to many factors including fertilization and disease management. Field experiments were conducted on a hummocky landscape in the northern prairies to determine effects of slope (SL) position, N fertilization, and fungicide (FU) application on disease incidence, biomass yield, and seed yield, quality, N uptake, and recovery of applied fertilizer N for canola ( Brassica napus L.). As N rate was increased, blackleg [ Leptosphaeria maculans (Desmaz.) Ces. & De Not] disease incidence, biomass yield, and seed yield, protein content, N uptake, and percentage green increased while emergence, thousand‐seed weight, and seed oil content and recovery of fertilizer N declined. The response of seed yield to N fertilization was relatively greater at upper than at the lower SL position, indicating the fertilizer N requirement for optimum seed yield was less at lower (71 kg N ha −1 ) than upper (88 kg N ha −1 ) SL. The upper SL had higher blackleg incidence and seed oil content than the lower SL. Therefore, FU application to control blackleg tended to be more beneficial for high N rates at the upper SL position. Sclerotinia stem rot [ Sclerotinia sclerotiorum (Lib.) de Bary] did not appear to vary between management units. The results indicate some potential to use precision agriculture based on topography to guide disease control and N fertilizer strategies although each disease must be considered individually and with consideration for other management practices and environmental conditions.
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 ».