Spring Nitrogen Management is Important for Triticale Forage Yield and Quality
Notice bibliographique
Résumé
Double cropping of forages can increase yield per hectare and reduce nutrient loss. Early planting and N addition can impact triticale forage if no spring N is applied. Spring N management is critical for optimal triticale yield and forage quality. Including triticale (x Triticosecale Wittmack) in forage rotations can provide economic and environmental benefits if optimally managed. We determined the impact of planting date, fall N availability, and spring N application on triticale dry matter (DM) forage yield and crude protein (CP) content. Three trials were conducted in New York from 2012 to 2014, each with two planting dates, five fall N rates (0, 34, 67, 101, 135 kg N ha −1 ), and five spring N rates (0, 34, 67, 101, 135 kg N ha −1 ) using a randomized complete block split‐split‐plot design in four replications. Plants were sampled for biomass in November before frost and harvested in May at flag‐leaf stage. Across sites, a small amount of fall N (34 kg N ha −1 ) increased spring yield in the zero‐N plots from 1.9 to 3.7 Mg DM ha −1 when seeded by 20 September. For later seedings, fall N did not benefit yield (2.7 Mg DM ha −1 average yield). Forage CP was 10.7% of DM when 135 kg N ha −1 was fall‐applied to sites planted by 20 September, versus 9.4% averaged across all other N rates and planting dates. While earlier planting increased spring yields, the most economic rate of N (MERN) and yield at the MERN in the spring were not impacted by fall N or planting date. Planting after 20 September increased CP at the MERN by about 1%. While fall management had some influence on spring performance, spring N management was most critical for achieving optimal yield and quality.
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) | 0,001 | 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 ».