Intercropping Wheat and Beans: Effects on Agronomic Performance and Land Productivity
Notice bibliographique
Résumé
ABSTRACT Declining land productivity associated with soil degradation is a significant issue for intensive wheat production. An intercropping system combining wheat and grain legumes may provide a farmwide production system that fulfills both economic and environmental concerns. We grew spring wheat ( Triticum aestivum L. ‘Scarlet’) as a monoculture and intercropped with either a common bean cultivar ( Phaseolus vulgaris L. ‘Red Kidney’ or ‘Black Turtle’) or a fava bean cultivar ( Vicia faba L. ‘Bell’) without fertilizer in rows of wheat/bean 1:1 and 2:1 as well as broadcast arrangements during 2011 and 2012 to assess the impact of different genera ( Vicia and Phaseolus ) and cultivars (Red kidney or Black Turtle) on the wheat performance, land productivity, N and C accumulation in aboveground biomass, and soil mineral N balance. As baseline, the monoculture wheat plots yielded 3.2 t ha −1 . However, wheat–fava bean plots displayed higher land equivalent ratio (LER) and total land outputs (TLO) with increased land productivity of 50% in the 1:1 and 32% in the 2:1 arrangements. Intercropped plots in row arrangements also improved wheat biomass nitrogen and grain protein content compared with monoculture plots. Wheat–fava bean in the 1:1 arrangement accumulated the highest N (34 kg ha −1 , i.e., 176% higher) and organic C (2138 kg ha −1 , i.e., 26% higher) in shoot biomass compared with monocultured wheat. Both NH 4 + and NO 3 − pools were higher in intercrop plots with the highest mineral N balance in wheat‐fava bean in the 1:1 arrangement (+0.2 mg NH 4 + and +1.1 mg NO 3 − kg ‐1 dry soil). This study demonstrates that intercropping wheat with fava bean is an efficient strategy to increase land productivity while also increasing forage and soil quality.
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 | 0,001 |
| 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 ».