Influence of Supplemental Irrigation and Applied Nitrogen on Wheat Water Productivity and Yields
Notice bibliographique
Résumé
A field experiment was conducted for three growing seasons to study the effects of seasonal water use and applied N fertilizer on yield attributes and water productivity indices of wheat in an arid region of Iran. The results revealed that yield attributes were significantly affected by irrigation and nitrogen treatments and year, and their interactions. Crop height, maximum leaf area index and biological yields were increasingly affected by the available water and N fertilizer. The findings indicated that the grain yield response to N was associated with water application levels. The water productivity indices were influenced by irrigation strategies and deficit irrigation effectively boosted productivity of irrigation water (WI). The highest WI was obtained at a seasonal irrigation water of 156 mm for different levels of applied nitrogen. For levels of applied N1 (application 70% of the required nitrogen), N2 (required nitrogen), and N3 (application 120% of the required nitrogen), WI ranged between 0.93 and 2.28, 1.30 and 2.75, and 0.98 and 2.47 kg m-3, respectively. The data generated here suggest that under deficit irrigation, maximum water productivity (WET) would be achieved when 98 kg N ha?1 is combined with a 156 mm of supplemental irrigation. In this seasonal water use, WET value may be increased to 30% with N appropriate practice (practice N2). Consequently, when limited irrigation water is combined with N fertilizer appropriate management, wheat water productivity can be substantially and consistently increased in the region.
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 | 0,001 | 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 | 0,001 |
| 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 ».