Nutritional implications of biosolids and paper mulch applications in high density apple orchards
Notice bibliographique
Résumé
A field experiment was designed to assess the effects on tree nutrition of surface application of municipal biosolids and shredded paper mulch, which have previously been reported to improve the performance of high-density apples despite wide differences in nutrient content. The experiment involved four treatments which included two levels (with or without) of two organic amendments, shredded paper mulch and Greater Vancouver Regional District (GVRD) municipal biosolids. Treatments were established over a 2 m wide strip centred on the tree row in a high-density (3700 trees ha -1 ) Golden Delicious (Malus × domestica Borkh.) orchard in the year of planting (1997) and maintained until 2004. GVRD-biosolids was applied at 40 t ha -1 (DW) in 1997 and 20.3 t ha -1 (DW) in 2001 potentially supplying larger amounts of all plant nutrients (N, P, K, Mg, Zn, Cu and Mn) except Ca than the paper mulch. All trees received standard commercial treatments of drip fertigation of 30 g N tree -1 yr -1 and 20 g P tree -1 in the establishment year. Leaf N concentration was unaffected by biosolids application and decreased, but not to inadequate concentrations, in 3 of 6 yr for trees grown in the high C:N ratio shredded paper mulch. This response indicates the effectiveness of drip fertigated N. Leaf K declined to inadequate concentrations by the end of the experiment, regardless of treatment, but trees in the paper mulch treatment were able to sustain higher leaf K, were more vigourous, had higher yield the first three fruiting seasons and cumulatively after 8 yr despite the low N and K content of the paper. Improved K uptake was attributed to better distribution of soil moisture beneath the mulch but for long-term sustainable production, K fertigation would have been desirable. Biosolids application often raised leaf Zn, Cu and Mn concentration but increases were modest, with concentrations of Zn insufficient to change standard commercial recommendations for annual dormant Zn applications. Key words: Leaf N, K, Zn, Cu and Mn, nutrient additions, organic amendments, vigour, yield
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 ».