EFFICACY OF DIFFERENT ESTABLISHMENT METHODS AND WEED MANAGEMENT PRACTICES ON WEED DENSITY, WEED DRY MATTER, WEED CONTROL EFFICIENCY AND YIELD UNDER RAINFED LOWLAND RICE
Notice bibliographique
Résumé
A field experiment was conducted during the kharif season of 2011-12 at Agronomy Research Farm, Central Research Station, Orissa University of Agriculture and Technology, Bhubaneswar. The experiment was laid out in split-plot design to find out the effect of various establishment methods and weed management practices on different weed parameters such as weed density (Grasses, Sedges and Broadleaf weeds), weed dry matter, weed control efficiency and grain yield under rainfed lowland rice. Experiment resulted that Weed parameters like total weed density (8.0 no. m-2), weed dry matter (6.4g.m-2) and weed index were lowest in system of rice intensification (SRI) at 30 days after transplanting/sowing (DAT/S). With respect to weed management practices total weed density (7.53 no.m-2),weed dry matter (2.3 g m-2) was recorded lowest in pyrazosulfuron-ethyl @20 g.ha- and highest weed control efficiency 97.04 percent were recorded in conoweeder. Grain yield of 5.02 t ha-1 and 4.76 t ha-1 were recorded in SRI and conoweeder respectively. While highest straw yields were recorded in SRI (5.8 t ha-1) and conoweder (5.5 t ha-1). Severe infestation of weeds reduced the yield by 32, 38, 39 and 52 percent in transplanted, SRI, drum seeded and direct seeded rice
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 | 0,000 |
| 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 ».