Effects of two kinds of variable‐rate nitrogen application strategies on the production of winter wheat ( <i>Triticum aestivum</i> )
Notice bibliographique
Résumé
Abstract To improve nitrogen‐use efficiency (NUE) is crucial to agriculture; it benefits agricultural production and reduces the impact on the environment. In past decades, a lot of variable‐rate nitrogen (VRN) application strategies have been proposed to improve NUE. The concern of this study is whether the specific N management strategy based on using in‐season predicted grain yield (ISPGY) and in‐season N uptake (ISNU) is more efficient than the VRN strategy based on grain yield goal (GYG) and ISNU. For this purpose, 2‐year (2005–06 and 2006–07) winter wheat ( Triticum aestivum ) experiments with the cultivar ‘Jingdong8’ were conducted at the China National Experimental Station for Precision Agriculture, located in the Changping district of Beijing, China. Four VRN application methods, SPAD chlorophyll meter method 1 (SCM1), SPAD chlorophyll meter method 2 (SCM2), vegetation index method 1 (VI1), and vegetation index method 2 (VI2), were compared with a random block design with 10 replications. The differences between SCM1 and SCM2 and between VI1 and VI2 were used to estimate the potential grain yield for each plot. SCM1 and VI1 used ISPGY, whereas SCM2 and VI2 adopted GYG. Economic benefits and soil residual NO 3 ‐N were analysed for the four methods. The results showed that the SCM2 and V12 performed better than the corresponding SCM1 and VI1, indicating that the GYG‐based VRN strategy is better than the ISPGY‐based VRN strategy for conducting specific N management.
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 ».