Fertigation Method Affects Performance of `Lapins' Sweet Cherry on Gisela 5 Rootstock
Notice bibliographique
Résumé
`Lapins' sweet cherry ( Prunus avium L.) trees on Gisela 5 ( Prunus cerasus × Prunus cansecens) rootstock were maintained for the first four growing seasons with eight different fertigation treatments. Treatments involved N application at low (42 mg·L -1 ), medium (84 mg·L -1 ), and high (168 mg·L -1 ) concentrations via sprinkler-fertigation of Ca(NO 3 ) 2 each year about 8 weeks after bloom. The medium N treatment was also applied with P fertigation in early spring or with K fertigation in June. Nitrogen was also broadcast in early spring at 75 kg·ha -1 or followed with medium N sprinkler-fertigated postharvest in August. As a final treatment the medium root zone N concentration was maintained for 8 weeks postbloom via drip fertigation. Throughout the study, irrigation was scheduled to meet evaporative demand based on an electronic atmometer. Drip fertigation, which wet a smaller portion of the orchard floor, considerably reduced per-tree water applications. Tree vigor and pruning weights were reduced for drip-fertigated as compared to sprinkler-fertigated trees although cumulative yield was not significantly different during the study. Fruit size, however, was smaller for this treatment when crop load was at a maximum at year 4. Future research is warranted to insure fruit size can be maintained for heavily cropping drip-fertigated trees. Leaf and fruit N increased linearly as N concentration of sprinkler-fertigating solution increased from low to high values. Optimum yield and highest fruit quality were associated with the medium N treatment. Sprinkler fertigation of P and K did not increase leaf and fruit concentration of either nutrient or meaningfully affect tree performance.
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 ».