Biochar Can Enhance Potassium Fertilization Efficiency and Economic Feasibility of Maize Cultivation
Notice bibliographique
Résumé
Field experiments were conducted to study the effect of biochar on potassium fertilizer leaching and uptake, efficiency and effectiveness of K fertilization, and economic viability of farming maize. Thirty tons ha-1 of biochar prepared from organic waste was applied to an Inceptisol. The experiment was arranged in a randomized block design with 7 treatments, namely control (without biochar and KCl), K1 (200 kg ha-1 KCl), BK0 (biochar, without KCl), BK1/4 (biochar + 50 kg ha-1 KCl), BK 1/2 (biochar + 100 kg ha-1 KCl), BK 3/4 (biochar + 150 kg ha-1 KCl), and BK1 (biochar + 200 kg ha-1 KCl) and three replicates for each treatment. The results suggest that biochar could replace and reduce KCl fertilizer. Biochar application increased the availability of nutrients by 69-89% for K+, 61-70% for Ca++, 39-53% for N total, 179-208% for P, and 14-184% for K.The results showed that the sole application of biochar increased maize production (6.24 Mg ha-1) by 14% compared sole application of KCl fertilizer (5.45 Mg ha-1). In contrast, dual application of biochar and 75% lower dosage of KCl fertilizer application increased maize production by 29%. Application of biochar and KCl fertilizer at the rate of 50 kg ha-1 resulted in the highest relative agronomic effectiveness (137%) and K fertilizer efficiency (18%). This application rate was also superior both technically and economically as assessed in terms of production (7.02 Mg ha-1), value of sales (revenue; IDR 19,305 million ha-1), income (IDR 8,663 million ha-1), and economic feasibility (R/C, 1.8).
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 | 0,001 | 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 ».