Responses of Fruit Yield and Quality of Processing Tomato to Drip‐Irrigation and Fertilizers Phosphorus and Potassium
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle