Impact of Nitrogen Rate on Maize Yield and Nitrogen Use Efficiencies in Northeast China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Optimizing N fertilization is important to improve both maize ( Zea mays L.) yield and nitrogen use efficiencies (NUEs). A 3‐yr maize field experiment (2008–2010) was conducted to evaluate the response of grain yield, aboveground biomass, plant N concentration, N uptake, and NUEs to fertilizer N rates from 0 to 280 kg N ha −1 at three different rain‐fed Haplic Phaeozem soils (FAO classification) in Northeast China. When N application rate increased from 70 to 280 kg N ha −1 across all site‐years, N recovery efficiency, N agronomic efficiency, N internal efficiency and N partial factor productivity decreased from 76.5 to 9.0%, 25.3 to 0.1 kg kg −1 , 70.7 to 40.8 kg kg −1 , and 145.6 to 22.8 kg kg −1 , respectively. Differences observed among the years and experimental sites were primarily caused by variability in rainfall and soil characteristics. The maximal grain yield of 11.0 Mg ha −1 was achieved at an N rate of 210 kg N ha −1 with normal rainfall. Nitrogen application beyond the optimal N rate did not consistently increase grain yield, and caused a decrease in NUEs. The range of optimal N rate for maize grain yield fell between 140 and 210 kg N ha −1 at the three sites from 2008 to 2010 in Northeast China based on the best fitted models (quadratic, linear plus plateau, and quadratic plus plateau). The results provide guidelines for selecting N application rates to optimize both maize yield and NUEs in Northeast China.
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.
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 découle