Improving Soil Fertility and Crops Yield through Maize-Legumes (Common bean and Dolichos lablab) Intercropping Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Declining crops yield in the smallholder farmers cropping systems of sub-Saharan African (SSA) present the need to develop more sustainable production systems. Depletion of essential plant nutrients from the soils have been cited as the main contributing factors due to continues cultivation of cereal crops without application of organic/ inorganic fertilizers. Of all the plant nutrients, reports showed that nitrogen is among the most limiting plant nutrient as it plays crucial roles in the plant growth and physiological processes. The most efficient way of adding nitrogen to the soils is through inorganic amendments. However, this is an expensive method and creates bottleneck to smallholder farmers in most countries of sub-Saharan Africa. Legumes are potential sources of plant nutrients that complement/supplement inorganic fertilizers for cereal crops because of their ability to fix biological nitrogen (N) when included to the cropping systems. By fixing atmospheric N2, legumes offer the most effective way of increasing the productivity of poor soils either in monoculture, intercropping, crop rotations, or mixed cropping systems. This review paper discuses the role of cereal legume intercropping systems on soil fertility improvement, its impact on weeds, pests, diseases and water use efficiency, the biological nitrogen fixation, the amounts of N transferred to associated cereal crops, nutrients uptake and partition, legume biomass decomposition and mineralization, grain yields, land equivalent ratio and economic benefits.
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.
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 | 0,001 | 0,003 |
| Science ouverte | 0,001 | 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 découle