Fertilizer and Genotype Effects on Maize Production on Two Soils in the Northern Region of Ghana
Notice bibliographique
Résumé
Soils in the Guinea Savanna agro-ecological zone of Ghana are depleted in major nutrients by continuous cropping and residue removal, resulting in low maize yields. While many studies have assessed the fertilizer requirements for maize, most did not account for the role of the soil type and maize genotype. A study was conducted on Plinthosol and Lixisol in the Tolon district of the Northern Region of Ghana to assess fertilizer and genotype effects on maize productivity. Two maize genotypes (i.e. Obatanpa -110 days to maturity) and (Dodzie - 75 days to maturity) were compared at three fertilizer application rates (i.e. 0-0-0, 60-15-35 and 90-25-50 kg ha<sup>-1</sup> N, P K) in a randomized complete block design using four replications, with genotype allocated to the main plots and fertilizer levels to the subplots. Soils were characterized, revealing very low total N and available P concentrations in the top layers. Grain yield was significantly affected by maize genotype, irrespective of the soil type. The longer-duration (Obatanpa) tended to out yield the short duration genotype (Dodzie), and generally outperformed Dodzie in all yield parameters except for the harvest index on Plinthosol. Inorganic fertilizers significantly (P&lt;0.001) increased yield and all yield parameters over the control on both soils, with yield increases of 84 and 90% at 60-15-35 and 90-25-50 kg ha<sup>-1</sup> N, P K, respectively. Genotype by fertilizer interaction was highly significant (P&lt;0.001) for grain yield on both soils. We conclude that farmers in the Guinea Savannah agro-ecological zone of Ghana need to supply nutrients to enhance grain yields of maize, irrespective of the prevailing soil type.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».