Agronomic Responses of <i>Brassica carinata</i> to Herbicide, Seeding Rate, and Nitrogen on the Northern Great Plains
Notice bibliographique
Résumé
Brassica carinata A. Braun seeds contain high erucic and linolenic acids that are desirable for biofuel and biopolymer products. However, key agronomic practices to maximize carinata productivity on the Northern Great Plains are not well known. Here, we investigated the response of seed yield and quality to three key agronomic factors—herbicide, seeding rate, and N. The factorial experiment, conducted in nine environments (site‐years) on the Canadian prairies from 2014 to 2016, included two weed control options (weedy vs. weed‐controlled), three levels of N application (low = 32–97 kg N ha −1 , medium = 75–198 kg N ha −1 , and high = 117–297 kg N ha −1 ), and five seeding rates (50, 100, 150, 200, and 300 seeds m −2 ). On average, weed biomass with the herbicide‐applied treatment was 245 kg dry matter ha −1 , significantly lower than the 1338 kg dry matter ha −1 with the non‐herbicide treatment, leading to 37% greater seed yield. In four of the nine environments, medium and high N fertilizer rates increased seed yield by 29 and 45%, respectively, compared with the low‐N treatment, but N fertilizer did not affect yield in the remaining five environments. Increasing seeding rates decreased weed biomass and increased seed yield. Seed oil and protein contents ranged from 37.2 to 48.5% and 22.6 to 36.3%, respectively, and these two traits had an inverse linear relationship. These results demonstrate that carinata may be well adapted to the Northern Great Plains as an alternative oilseed crop, and that seed yield and quality responses to key agronomic factors can vary with environmental conditions.
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 | 0,001 |
| 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 ».