Niger Response to Nitrogen and Seeding Depth in the Northern Great Plains
Notice bibliographique
Résumé
Core Ideas Determine the effect of nitrogen fertilizer and seeding depth on the development and yield of niger. There was a linear increase in grain yield, 76 kg ha –1 as the N rate increased from to 10 to 110 kg N ha –1 . Seeding depth impacted plant density and visible row, but the niger compensated and grain yield was not affected by seeding depth. A niger ( Guizotia abyssinica (L.f.) Cass.) cultivar has been selected to grow on the Northern Great Plains of North America; however, agronomic management practices in a no‐till cropping system regarding seeding depth and nitrogen (N) fertilization have yet to be developed for this region. Two experiments were conducted at Indian Head, SK, Canada from 2011 to 2017 to determine the response of niger to varying N fertilizer rates and seeding depths. Five rates of N (10, 35, 60, 85, and 110 kg N ha −1 ) and four seeding depths (surface, 0.6, 1.27, and 2.5 cm below soil surface) were applied in separate single factor experiments. Nitrogen fertilizer rate affected niger development. As N rate increased, there was a linear delay in the appearance of visible rows. Plant height and kernel weight were affected by N rate and year, grain yield was affected by year, and there was a linear increase of 18% in grain yield as the N rate increased from 10 to 110 kg N ha −1 . Niger plant density was affected by seeding depth, where plant density increased linearly with decreasing seeding depth in 2014, 2015, and 2017, while there was a negative quadratic relationship in 2016. This effect on plant density did not impact grain yield. In conclusion, niger grain yield benefitted from increased levels of N fertilizer and that growers can use a wide range of seeding depths to place niger seed in soil moist enough to support germination and emergence.
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) | 0,000 | 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 ».