Effects of Iron Fertilization on Yield and Tissue Micronutrients Concentrations of Different Haricot Bean (Phaseolus Vulgaris L.) Varieties in Southern Ethiopia
Notice bibliographique
Résumé
Although required in smaller quantity, micronutrients are as essential as macronutrients for optimum growth and yield for beans.This study was conducted under field conditions at Halaba, Butajira and Taba, and under greenhouse conditions with soils collected from the aforementioned locations to evaluate the effect of Fe fertilization on tissue micronutrients (Zn, Fe, Cu and Mn) contents of different haricot bean varieties.The treatments include two factors, haricot bean varieties (Nasir, Ibado, Hawassa Dume, and Sari-1) and levels of foliar-applied iron (Fe) fertilizer (0, 1, 2, and 3% solution).Both the pot and field experiments indicated that yield and tissue micronutrients (Zn, Fe, Cu and Mn) concentrations of haricot bean varied significantly across soils (locations) and among varieties.The highest seed Fe concentration (59.04 mg kg -1 ) was recorded in Taba soil, whereas the lowest value, 35.63 mg kg -1 , was observed in Halaba soil.Hawassa Dume and Nasir produced the highest and equal grain yield, whereas Nasir produced the highest seed Fe concentration (59.02 mg kg -1 ).The highest leaf Fe concentration (290.19 mg kg -1 ), was observed with Ibado.Foliar application of FeSO4.7H2O did not significantly influence tissue Zn concentration and leaf Cu concentration, but seed Cu, tissue Mn and tissue Fe were significantly affected by Fe fertilization.The application of different levels of Fe fertilizer did not significantly influence yield of haricot bean varieties, but it significantly increased both leaf and seed Fe concentrations.Consequently, Nasir and 3% FeSO4.7H2O were found to be the best variety and rate, respectively, for quality production of haricot bean.
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 | 0,000 | 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 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 ».