Nutritional Quality of Tomato (Lycopersicon esculentum Mill) as Influenced by Mulching, Nitrogen and Irrigation Interval
Notice bibliographique
Résumé
An experiment was conducted in 2006/07 dry season to evaluate the effect of mulching, nitrogen and irrigationinterval on the nutritional quality of Tomato (Lycopersicon esculentum Mill) at Shika, Nigeria. Treatmentsconsisted of three mulching (no mulch, rice-straw mulch and black polythene mulch) four nitrogen rates (0, 45,90 and 135kgN ha-1) and three irrigation intervals (5, 10 and 15 days). Mulching significantly increased the drymatter, protein and carbohydrate contents in fruits, but decreased the crude fiber content. In most cases rice-strawmulch appeared a better mulching material. N rate of 45kg ha-1 had more dry matter content over control, buthigher values for protein and carbohydrate contents were with 90kg ha-1. The 135kgN ha-1 rate depressedcarbohydrate content. Irrigation interval of 10 days recorded more dry matter and crude fiber while highest fruitcarbohydrate contents was attained at 15 day irrigation interval over the 5-day interval. Delaying irrigationsignificantly depressed fruit protein content. Rice-straw mulch + 90kgN ha-1 or polythene mulch in combinationwith 45kgN ha-1 had more carbohydrate in fruits.
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 | 0,001 |
| 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 ».