Evaluating the Effectiveness of Rhizobium Inoculants and Micronutrients as Technologies for Nepalese Common Bean Smallholder Farmers in the Real-World Context of Highly Variable Hillside Environments and Indigenous Farming Practices
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
Studies have shown the potential of rhizobia and associated micronutrients to enhance symbiotic nitrogen fixation in legumes. Tens of millions of smallholder farmers, however, farm on mountain hillsides in highly variable soil and microenvironments, with different crop rotations, inputs and cultural practices. Here, on the terraces of the Nepalese Himalayas, we evaluated rhizobium inoculants (local, exotic), micronutrients (molybdenum, boron) and their combinations as technologies for smallholder farmers under highly variable microenvironments and traditional practices. The study was conducted as a series of participatory on-farm trials with 39 terrace farmers in two mid-hill districts of Nepal (Dhading, Kaski) from 2015 to 2017. Plots were measured for relevant agronomic traits. As expected, when comparing treatment plots with adjacent control plots within each farm, the results demonstrated tremendous farm-to-farm variability for nodulation, vegetative biomass, shoot nitrogen content, grain yield, and grain N content. Despite the variation observed, the data showed that the number of farms that showed yield increases from the rhizobium interventions, compared to those that suffered yield losses, was generally 2:1. We discuss potential experimental and socio-agronomic reasons for the variable results, including rainfall, which appeared critical. The results demonstrate the promise of rhizobium interventions for hillside smallholder farmers, even in a highly variable context.
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 | 0,000 | 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 découle