Water use of pulse crops at various plant densities under fallow and stubble conditions in a semiarid environment
Notice bibliographique
Résumé
Understanding water use characteristics of crops is essential for optimizing crop productivity in semiarid environments. This study determined water use (WU), water use efficiency (WUE), and postharvest residual soil water (PHRSW) of dry pea (Pisum sativum L.) and desi and kabuli chickpea (Cicer arietinum L.) at four plant densities under fallow and stubble cropping systems in a semiarid environment. Crops were grown in southwest Saskatchewan from 1998 to 2000. Chickpea used 28% more water than dry pea, while kabuli chickpea used 14% more water than desi chickpea only when grown on fallow at one of the sites. Pulses grown on fallow used 66% more water than when grown on stubble, with largest difference (48%) in WU between the two cropping systems being in the 60- to 90-cm soil depths. Overall, dry pea had the greatest WUE (12.9 kg ha - 1 mm - 1 ), followed by desi chickpea (7.3 kg ha - 1 mm - 1 ) and kabuli chickpea (6.6 kg ha - 1 mm - 1 ). Water use efficiency increased with increasing plant density for all the pulses, with dry pea showing a stronger response than chickpea. The PHRSW below the 60-cm depth differed significantly among pulses. Dry pea left an average of 33 mm available water at harvest, the desi left 20 mm, and the kabuli 13 mm. A deeper rooting crop grown after dry pea may benefit more from water conservation in the soil profile than when grown after chickpea under semiarid environmental conditions. Key words: Cicer arietinum, Pisum sativum, water use efficiency, rooting depth
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 ».