Nutrient Management Strategies on Heterogeneously Fertile Granitic‐Derived Soils in Subhumid Zimbabwe
Notice bibliographique
Résumé
Maize ( Zea mays L.) is the staple food in southern Africa, but low soil fertility and lack of effective fertilization strategies for variable soil conditions hamper efficient use of nutrient resources. The objective of this study was to establish the influence of soil fertility heterogeneity on maize yield response to manure, liming, and inorganic fertilizers. Three sites, selected to represent three soil fertility domains based on soil organic carbon (SOC) between 3.5 to 8.9 g SOC kg −1 soil, were used during two cropping seasons. Nitrogen, P, K, and S were applied alone (NPKS) or in combinations involving lime, cattle manure, and micronutrients. Grain and stover were analyzed for nutrient uptake, and agronomic efficiencies were computed for N and P. Across sites, maize grain yields increased with increasing SOC. In Year 2, lime was the most important component for increasing maize yields in low SOC soil. For the medium and high SOC soils, treatments with NPKS + manure resulted in the best efficiencies. Although soil pH was low in these fields as well, lime which was applied only in Year 1, did not improve yields either year. Maize yields and nutrient uptake were strongly affected by SOC content, with yields for a site with 3.5 g SOC kg −1 soil significantly lower than the two sites that had >5.3 g SOC kg −1 soil. We conclude that farmers must strategically target their limited nutrients resources to fields that are not yet degraded and maintain soil fertility to guarantee returns to fertilizer investments.
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 ».