Responses of Fruit Yield and Quality of Processing Tomato to Drip‐Irrigation and Fertilizers Phosphorus and Potassium
Notice bibliographique
Résumé
Water and nutrient management are essential to achieve high yield and desirable quality attributes in processing tomato (Lycopersicon esculentum Mill.). A 4‐yr field study (2006–2009) was conducted to assess effects of contrasting water management (drip‐irrigation vs. nonirrigation), fertilizer P (0, 30, 60, and 90 kg P ha−1), and K (0, 200, 400, and 600 kg K ha−1) on yields and quality of processing tomato when the optimum N rate of 270 kg N ha−1 was applied. Compared with nonirrigation, drip irrigation increased marketable fruit yield by 127%, total fruit yield by 66%, and fruit size by 32%, while it decreased soluble solids content (SSC) by 19% and lycopene content by 8%, with no effects on dry biomass of stems and leaves (DBSL). Phosphorus addition had no effects on marketable yield and SSC, but increased the DBSL and lycopene content to maximum values at 60 kg P ha−1. Fertilize K rate affected all examined variables but the lycopene content. Increasing K rates from 0 to 200 kg K ha−1 increased marketable fruit yield by 10% and total fruit yield by 9%, but fruit size declined by 3%. Increasing K rates from 200 to 600 kg K ha−1, however, had no effects on yield and fruit size. Fertilizer K rate had no effects on SSC with nonirrigation, but resulted in a linear increase in SSC with drip‐irrigation. The results suggested that, with optimum N supply, K application is required to increase fruit yield and quality of drip irrigated processing tomato.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».