Yield and Composition of Sweet Pearl Millet as Affected by Row Spacing and Seeding Rate
Notice bibliographique
Résumé
Sweet pearl millet [ Pennisetum glaucum (L.) R. BR.] seems promising for ethanol production, but optimal cropping practices are unknown for the cool and humid conditions of eastern Canada. We evaluated the effects of two row spacings (18 and 36 cm) and four seeding rates (5, 10, 15, and 20 kg ha −1 ) on biomass dry matter (DM) yield, water soluble carbohydrate (WSC) concentration and yield, and nutritive value of sweet pearl millet at two sites in Québec, Canada. Increasing seeding rates decreased biomass DM and WSC yields at Sainte‐Anne‐de‐Bellevue but had a limited effect at Saint‐Augustin‐de‐Desmaures. Hence, a seeding rate of 5 kg ha −1 resulted in maximum biomass DM (12.4–19.1 Mg ha −1 ) and WSC (1.56–2.64 Mg ha −1 ) yields. Row spacing did not affect biomass DM and WSC yields at Saint‐Augustin‐de‐Desmaures but biomass DM yield was greater at a row spacing of 18 cm at Sainte‐Anne‐de‐Bellevue. The WSC concentrations in leaves and stems were inconsistently affected by seeding rate but were not affected by row spacing. The WSC concentrations were greater in stems (140.7–162.4 g kg −1 DM) than in leaves (35.7–48.1 g kg −1 DM). Increasing the seeding rate generally decreased N concentrations of leaves and stems and digestibility of neutral detergent fiber (NDF) but increased concentrations of acid detergent fiber and NDF. Row spacing did not affect any nutritive value attributes. Seeding at 5 kg ha −1 with a row spacing of 18 cm maximize biomass and WSC yield with minimal effect on forage nutritive value of sweet pearl millet.
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 ».