Integrating Soybean Residues With Nitrogen Fertilizer for Improved Maize Production in Eastern Uganda
Notice bibliographique
Résumé
Soybean has become one of the dominant crops in Ugandan farming systems; however the contribution of its residues to improve soil and crop productivity is less known. To investigate the role of soybean residues to enhance crop productivity, researcher-managed experiments were conducted for two seasons (2011B and 2012A) in Namayingo and Tororo districts, representing the L. Victoria crescent, and South-eastern L. Kyoga basin agro-ecological zones, respectively. Factorial treatments of three levels of soybean residues (0, 2 and 4 t ha-1) and four levels of N fertilizer (0, 30, 60 and 120 kg ha-1 N) in form of urea were applied in maize fields in a randomized complete block design so as to; determine the optimum nutrient combination for maize, and establish the added yield benefits, if any, of using soybean residues with N fertilizer in maize production. Site yields varied significantly (p < 0.001), with higher maize yields obtained in Namayingo compared to Tororo. Significantly (p < 0.05) higher maize grain yields were obtained with the highest nutrient input combinations of 2 t ha-1 residue and 60 kg ha-1 N (yield increment of 71.72% above the control) in Namayingo district and 4 t ha-1 residue combined with120 kg ha-1 N increased maize grain yield by 140.69% above the control in Tororo. The added maize grain yield benefits ranged from 2540 kg grain ha-1 to 3250 kg grain ha-1 in Namayingo and from 2000 kg grain ha-1 to 2310 kg grain ha-1 in Tororo. Combined use of soybean residue with N fertilizer has been found to have agronomic yield benefits to maize production.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».