MétaCan
Menu
Retour à la cohorte
Enregistrement W2539244682 · doi:10.5539/sar.v6n1p1

Water Use Efficiency of Maize Varieties under Rain-Fed Conditions in Zambia

2016· article· en· W2539244682 sur OpenAlexvenueno aff
Ethel Mudenda, Elijah Phiri, Lydia M. Chabala, Henry M. Sichingabula

Notice bibliographique

RevueSustainable Agriculture Research · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueCrop Yield and Soil Fertility
Établissements canadiensnon disponible
Organismes subventionnairesBundesministerium für Bildung und ForschungU.S. Department of Agriculture
Mots-clésTranspirationWater-use efficiencyEvapotranspirationDry matterRandomized block designAgronomyMaturity (psychological)Field experimentYield (engineering)BiologyMathematicsHorticultureIrrigationBotanyPhotosynthesis

Résumé

récupéré en direct d'OpenAlex

This study evaluated water use efficiency (WUE) of selected hybrid maize (Zea Mays L.) varieties in Zambia under rain-fed conditions. A randomized complete block field experiment was carried out during the 2014/2015 rainy season at the University of Zambia Agricultural Demonstration Centre. Treatments were 30 maize varieties from the early, medium and late maturity classes. WUE was calculated as the ratio of yield to evapotranspiration (ET) and transpiration (T). Results showed significant differences in WUE dry matter (DM) for transpiration (T) of early maturing varieties. However, no significant differences were observed in WUEDM for evapotranspiration (ET), WUE grain yield (GY), T and WUEGY, ET. WUEDM, T, WUEDM, ET, WUEGY, T, and WUEGY, ET were statistically the same among medium maturing varieties. Results further showed that among the late maturing varieties, WUEDM, T, WUEDM, ET and WUEGY, T showed significant differences but no significant differences were observed in WUEGY, ET. It was concluded that maize varieties from the same maturity classes have different WUEs. The study thus provided options in variety selection based on which varieties performed better, particularly SC 525, SC 513 and PAN 4M 21 from the early maturity class; PHB 30G19, ZMS 606, MRI 634 and SC 637 from the medium maturity class; and PAN ZM 83, SC 709, PAN 8M 93 and SC 719 from the late maturity class. It was recommended however, that repeated experiments over time should be done to validate the findings given that the trial was only conducted in one season.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,847
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,293
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainable Agriculture ResearchMême sujetCrop Yield and Soil FertilityTravaux en français237 207