Growth, physiology, and leachate losses in<i>Picea glauca</i>seedlings (1+0) grown in air-slit containers under different irrigation regimes
Notice bibliographique
Résumé
In production tunnels, time domain reflectometry (TDR) was used to manage irrigation and leaching by controlling water content in the rhizosphere of air-slit containerized white spruce (Picea glauca (Moench) Voss) seedlings (1+0). Seedlings were exposed to four irrigation regimes (v/v: IR-60%, IR-45%, IR-30%, and IR-15%) during the first growing season to assess IR effects on growth, gas exchange, nutrient uptake, carbohydrates, root architecture, and leaching. In the province of Quebec, seedling producers generally maintain a high substrate water content (>50%, v/v) during all growth phases. The accuracy and feasibility of using TDR to decrease irrigation without affecting the material attributes of the seedlings at the end of the first growing season was confirmed. However, seedlings grown under IR-15% had significantly lower height, root collar diameter, shoot and root dry masses, root surface, root length, net photosynthesis, and nutrient contents than seedlings grown under IR-30%, IR-45%, and IR-60%. In comparison with IR-30% and IR-45%, the application of IR-60% produced no increase in shoot or root growth, mineral nutrition, and carbohydrates. Seedlings grown under IR-15%, IR-30%, and IR-45% used approximately 28, 37, and 46%, respectively, of the amount of water applied under IR-60%. Nutrient losses including anions and cations under IR-60% were higher in comparison with the other IRs. Maintaining a water content in the rhizosphere that changes with the stage of seedling development is suggested to optimize growth and to avoid excess irrigation and leaching.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».