Micro-Dosing of Lime, Phosphorus and Nitrogen Fertilizers Effect on Maize Performance on an Acid Soil in Kenya
Notice bibliographique
Résumé
<p>High cost of inorganic fertilizers and lime has precluded their use by smallholder farmers to remedy the problem of soil acidity and infertility in Kenya. To address the problem, we tested a precision technique referred to as micro-dosing, which involves application of small, affordable quantities of inorganic inputs on an acid soil in Busia County, Kenya. Experimental treatments were N-fertilizer (0 and 37.5 kg N ha<sup>-1</sup>), P-fertilizer (0 and 13 kg P ha<sup>-1</sup>) and lime (0, 0.77 and 1.55 tons lime ha<sup>-1</sup>). 37.5 kg N and 13 kg P ha<sup>-1 </sup>are 50% of the recommended fertilizer rates for maize production in Kenya while 0.77 and 1.55 tons lime ha<sup>-1</sup> are 25 and 50% of the actual requirement. Soil chemical changes, maize grain yield and nutrient recovery were determined. Lime and P-fertilizer significantly affected only the top-soil pH, Ca, Mg and available P, while the effects of N-fertilizer were evident on both top- and sub-soil N likely due to its faster mobility than P and lime. Grain P-fertilizer recovery efficiencies were 14 and 16-27% due to 13 kg P and 13 kg P + 0.77-1.55 tons lime ha<sup>-1</sup>, respectively. N-fertilizer recovery efficiencies were 37 and 42-45% due to 37.5 kg N and 37.5 kg N + 0.77-1.55 tons lime ha<sup>-1</sup>, respectively. Fertilizers applied to supply 37.5 kg N, 13 kg P and 0.77-1.55 tons lime ha<sup>-1 </sup>increased grain yield above the control by 134, 39 and 12-22%, respectively, therefore micro-dosing of these inputs can increase maize production on Kenyan acid soils.</p>
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».