Concurrent Improvement in Maize Yield and Nitrogen Use Efficiency with Integrated Agronomic Management Strategies
Notice bibliographique
Résumé
Low nitrogen use efficiency (NUE) and productivity with excessive use of N fertilizer in maize ( Zea mays L.) is a common issue for smallholder farm systems. A 2‐yr field study was conducted to assess the impacts of integrated agronomic management strategies (MT) on pre‐ and post‐silking N uptake, dry matter (DM) production dynamics, and their relationships to yield and NUE components. Three MTs were compared with the regional conventional farming practices (FP). We found that biomass yields differed significantly with similar harvest index (HI) among the MT treatments. While OPT‐1 produced 21% greater DM but only 4% greater grain yield, OPT‐2 had 27% higher yield, and 200% greater NUE, compared to FP. Our results showed the possibility of simultaneously achieving high yield and high NUE with optimized MT. In OPT‐2, 13% greater DM production and 12% more N uptake after anthesis contributed 5% more to grain yield and 18% more to grain N. In HY, excessive N input did not improve the stay‐green trait nor did it enhance grain yield. These results imply a better balance between improving total biomass and achieving more DM accumulation in the post‐silking period with gradually optimized agronomic management practices than other MT. The enhanced NUE observed in OPT‐2 primarily originated from the improved N recovery efficiency, which was associated with larger root biomass at silking and greater post‐silking N uptake. Further NUE improvement in maize could be anticipated through enhanced N internal efficiency by balancing DM and N accumulation between vegetative and reproductive periods.
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 ».