Effects of Deficit Irrigation on Yield and Quality of Onion Crop
Notice bibliographique
Résumé
The broad objective of this study was to test Deficit Irrigation (DI) as an appropriate irrigation management strategy to improve crop water productivity and give optimum onion crop yield. A field trial was conducted with drip irrigation system of six irrigation treatments replicated three times in a randomized complete block design. The crop was subjected to six water stress levels 100% ETc (T100), 90% ETc (T90), 80% ETc (T80), 70% ETc (T70), 60% ETc (T60) and 50% ETc (T50) at vegetative and late season growth stages. The onion yield and quality based on physical characteristics and irrigation water use efficiency were determined. The results indicated that the variation in yield ranged from 34.4 ton/ha to 18.9 ton/ha and the bulb size ranged from 64 mm to 35 mm in diameter for T100 and T50 respectively. Irrigation water use efficiency values decreased with increasing water application level with the highest of 16.2 kg/ha/mm at T50, and the lowest being13.1 kg/ha/mm at T100. It was concluded that DI at vegetative and late growth stages influence yields in a positive linear trend with increasing quantity of irrigation water and decreasing water stress reaching optimum yield of 32.0 ton/ha at 20% water stress (T80) thereby saving 10.7% irrigation water. Onion bulb production at this level optimizes water productivity without significantly affecting yields. DI influenced the size and size distribution of fresh onion bulbs, with low size variation of the fresh bulbs at T80.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».