MétaCan
Menu
Retour à la cohorte
Enregistrement W2947390152 · doi:10.5539/jas.v11n8p45

Effect of Farm Saved Maize (Zea mays L.) Seed on Intensity of Foliage Diseases

2019· article· en· W2947390152 sur OpenAlexvenueno aff
Alfred N. Mutundi, James W. Muthomi, Florence Olubayo, Philip Leley, Felista M. Nzuve

Notice bibliographique

RevueJournal of Agricultural Science · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueCrop Yield and Soil Fertility
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDowny mildewAgronomyBiologyLeaf spotCropSowingBlightSeed treatmentGermination

Résumé

récupéré en direct d'OpenAlex

Majority of farmers in Africa recycle farm saved seed from the previous seasons. Such seed is usually contaminated with disease causing pathogens, has low vigor and result in low yields. This study was, therefore, conducted to determine the effect of recycling maize seeds on incidence of foliage diseases. Maize seeds were collected during 2016 short rain season from farmers, local market and Agrovet shops in Busia County of western Kenya. The seeds were subjected to field evaluation during 2017 long rain season at two sites in Busia and Kakamega Counties. Data was collected on emergence, off types, lodging, ear aspect and abnormalities, incidence and severity of diseases and yield. Seeds from local market had significantly higher emergence of up to 66% while the farm saved seeds and local market resulted in the highest percentage of off-types of up to 18%. Crop from farm saved seed and seeds from the local market showed high susceptibility to stalk lodging, ear abnormalities and high levels of diseases. Diseases detected include northern leaf blight, gray leaf spot, rust, brown spot, downy mildew, and ear rots. The study showed that though informal seeds had high plant establishment, they have high level of off types, are susceptible to lodging, diseases and low yields. Therefore, farmer should be encouraged to use certified or improved seeds to enhance crop productivity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,756
Score d'incertitude au seuil0,163

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,218
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetCrop Yield and Soil FertilityTravaux en français237 207