The Benefits of Legume Crops on Corn and Wheat Yield, Nitrogen Nutrition, and Soil Properties Improvement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Legume crops leave N‐rich residues and improve soil properties that can boost the yield of subsequent crops. This study conducted at two sites in Québec, eastern Canada, identified the most appropriate preceding legume crops for subsequent corn ( Zea mays L.) and wheat ( Triticum aestivum L.) yield and N nutrition. Legumes were established in 2011, in monoculture or mixed with grain crops, for a total of 13 treatments: common bean ( Phaseolus vulgaris L.), soybean ( Glycine max L.), dry pea ( Pisum sativum L.), hairy vetch ( Vicia villosa Roth), alfalfa ( Medicago sativa L.), and crimson clover ( Trifolium incarnatum L.), hairy vetch/wheat, crimson clover/wheat, field pea/wheat, alfalfa/corn, hairy vetch/corn, crimson clover/corn) and a non‐N fixing crop (corn) as the control. In 2012, each plot was split and five N fertilizer rates applied to corn and wheat. Four legume systems (alfalfa, hairy vetch, crimson clover, and hairy vetch/wheat) significantly increased the soil structure stability, alkaline phosphatase and dehydrogenase activities at warmer St‐Mathieu‐de‐Beloeil location but not at the cooler St‐Lambert‐de‐Lauzon site. These legumes also significantly increased yields and N nutrition of corn and wheat at St Mathieu‐de‐Beloeil and of wheat only at St‐Lambert‐de‐Lauzon. Although legume N credit was found low (∼30 kg N ha −1 ), the N fertilizer replacement value was 51 to 77 kg N ha −1 for corn and up to 37 kg N ha −1 for wheat, depending on the preceding legume crop. This suggests that indirect effects related to improved soil properties impacted positively corn and wheat yield and N nutrition.
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.
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 | 0,000 | 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 | 0,000 |
| 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 découle