Yield of ‘Pingo de Ouro’ Cowpea Bean Under Different Sowing Densities and Goat Manure Doses in the Region of Mossoró, Brazil
Notice bibliographique
Résumé
Using goat manure may substantially increase cowpea bean productivity. This study evaluated the yield of ‘pingo de ouro’ cowpea bean under different sowing densities and goat doses in the region of Mossoró, Brazil. The experiment was conducted from October to December 2016 at the Experimental Farm Rafael Fernandes, Mossoró-RN, Brazil. Treatments arranged in two-way factorial with four goat manure doses (0.0, 0.5, 1 and 2 kg m-1), and two sowing densities of bean (75,000 and 37,500 plants ha-1), with three replicates. The experiment was performed in complete randomized blocks design. We evaluated the number and length of pods per plant, number of seed per pod, weight of 100 dry grains and dry grain yield. Higher grain yield occurred using 2.0 kg m-1 of goat manure (1,162.4 kg ha-1 or 234 kg 2,000 m-2) and 75,000 plants ha-1 (693.4 kg ha-1 or 138.6 kg 2,000 m-2). High sowing density in combination with goat manure is an affective.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».