Urease and Nitrification Inhibitors Impact on Winter Wheat Fertilizer Timing, Yield, and Protein Content
Notice bibliographique
Résumé
Nitrogen fertilizer is an important input for winter wheat ( Triticum aestivium L.) production. However, the losses of applied N fertilizer are economically substantial and environmentally unsafe. Therefore, improved N fertilizer management practices are needed to increase yield, enhance wheat quality, and minimize negative consequences to the environment. The objective of this experiment was to determine the impact on two N fertilizer sources, two application times, and three placement methods on grain yield, protein concentration, and N uptake of winter wheat. The experiment was conducted in Montana, in a randomized complete block design. The mean grain yield, protein concentration, and N uptake in 2010/2011 were lower than 2012/2013 due to differences in soil fertility and inter‐seasonal variations in precipitation. Treatment effects were significant in 2010/2011 (wet season) but not in 2012/2013 (dry season). In 2010/2011, urea with agrotain (urease inhibitor) and N serve (nitrification inhibitor) broadcasted in spring (UANSBS) produced the highest yield (2630 kg ha −1 ). This yield increase was 29% more than fall applied urea. In 2010/2011, spring broadcasting of urea, urea with agrotain, Super Urea (urea with urease and nitrification inhibitors), and UANSBS produced similar but higher yield, grain protein concentration and grain N uptake than other treatments. Therefore, considering the erratic nature of precipitation in this dry land area, spring broadcasting of urea with or without inhibitors appeared to be practical N fertilizer management practices for the region. But economic analysis is needed to justify this suggestion.
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 ».