Can the Nitrogen and Silicon Increase the Productivity and Yield in Rice Crops in the Rainfed Environment?
Notice bibliographique
Résumé
There is much doubt as to whether, in fact, the combination of nitrogen and silicate fertilization can increase yield and post-harvest yield in rainfed rice. The objective of this study was to investigate the effect of silicate and nitrogen fertilization on the development, quality, yield and post-harvest yield of rice cultivated in the rainfed environment. A field experiment was carried out in the 2014/2015 harvest in a 4 × 4 randomized block design with four replications. The first factor corresponded to the nitrogen doses (0; 50; 100 and 200 kg ha-1 of N), in the form of urea, and the second factor at silicon doses (0; 7.5; 15 and 30 kg ha-1 Si), in the form of calcium silicate. Si affected the chlorophyll content at 45 days after sowing (DAS) suggesting being important in floral differentiation. The increase in N doses caused higher levels of chlorophyll in rice leaves at 55, 65 and 85 DAS, regardless of whether they supplied Si. Plant height, number of tillers, weight of one thousand seeds, total grain yield and of whole grains were not influenced by the Si supply. However, Si doses reduced the yield of broken grains, thus reducing postharvest losses and, consequently, improving grain quality in the beneficiation process.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».