Water use efficiency of spring wheat in the semi-arid Canadian prairies: Effect of legume green manure, type of spring wheat, and cropping frequency
Notice bibliographique
Résumé
Kröbel, R., Lemke, R., Campbell, C. A., Zentner, R., McConkey, B., Steppuhn, H., De Jong, R. and Wang, H. 2014. Water use efficiency of spring wheat in the semi-arid Canadian prairies: Effect of legume green manure, type of spring wheat, and cropping frequency. Can. J. Soil Sci. 94: 223–235. In the semi-arid Canadian prairie, water is the main determinant of crop production; thus its efficient use is of major agronomic interest. Previous research in this region has demonstrated that the most meaningful way to measure water use efficiency (WUE) is to use either precipitation use efficiency (PUE) or a modified WUE that accounts for the inefficient use of water in cropping systems that include summer fallow. In this paper, we use these efficiency measures to determine how cropping frequency, inclusion of a legume green manure, and the type of spring wheat [high-yielding Canada Prairie Spring (CPS) vs. Canada Western Red Spring (CWRS)] influence WUE using 25 yr of data (1987–2011) from the “New Rotation” experiment conducted at Swift Current, Saskatchewan. This is a well-fertilized study that uses minimum and no-tillage techniques and snow management to enhance soil water capture. We compare these results to those from a 39-yr “Old Rotation” experiment, also at Swift Current, which uses conventional tillage management. Our results confirmed the positive effect on WUE of cropping intensity, and of CPS wheat compared with CWRS wheat, while demonstrating the negative effect on WUE of a green manure crop in wheat-based rotations in semiarid conditions. Furthermore, we identified a likely advantage of using reduced tillage coupled with water conserving snow management techniques for enhancing the efficiency of water use.
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 | 0,000 |
| 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 | 0,001 | 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 ».