Forage Yield and Species Composition in Years following Kura Clover Sod‐Seeding into Grass Swards
Notice bibliographique
Résumé
Sod‐seeding legumes into grass pastures improves forage productivity and quality, but legumes currently used lack persistence. Field experiments were established in Québec and Minnesota to compare postseeding year performance of two cultivars (‘Cossack’ and ‘Endura’) of Kura clover ( Trifolium ambiguum M. Bieb.) against that of red clover ( Trifolium pratense L.) and white clover ( Trifolium repens L.) sod‐seeded using different intensities of herbicide sod suppression [paraquat (0.9 kg a.i. ha −1 ) and glyphosate (0.8 or 3.3 kg a.i. ha −1 )] with or without seeding year N fertilization (110 kg N ha −1 ). Red clover had the greatest yield and contribution to total forage yield in the first postseeding year [avg. 2.7 Mg dry matter (DM) ha −1 , 50% clover], white clover (WC) was intermediate (avg. 1.5 Mg DM ha −1 , 32% clover), and Kura clover (KC) ranked last (avg. 1.2 DM Mg ha −1 , 27% clover). Yields of KC were, however, similar to WC in three of five sites. Clover yields and content in the first postseeding year were positively associated with intensity of sod suppression. Kura clover content increased over time; at the first harvest of the second postseeding year, it had greater clover yield and content (avg. 750 kg DM ha −1 , 45% clover) than red clover (avg. 160 kg DM ha −1 , 25% clover) and WC (avg. 60 kg DM ha −1 , 11% clover). Seeding year N fertilization, which enhanced seeding year yields, had inconsistent effects on postseeding year yield and botanical composition but rarely had negative effects on clover. Kura clover can be established in permanent pastures via sod‐seeding.
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 ».