Dry Mass Increment, Foliar Nutrientes and Soybean Yield as Affected by Aminoacid Application
Notice bibliographique
Résumé
Due to the importance of soybeans worldwide, there is a constant search for products or management systems that aim to increase the productivity of this crop. In this sense, some products that have amino acids in their composition have been used, however, there is still a lack of studies that aim to show the isolated effect of amino acids on growth parameters. Therefore, the present study aimed to evaluate the effect of the application of amino acids in the treatment of seeds and of the leaf in the soybean crop. Experiments were carried out in a greenhouse and in the field with the application of glutamate, phenylalanine, cysteine, glycine as a seed treatment (ST) and also as foliar application (FA) at the V4 growth stage. The dry mass accumulation of root, stem, leaves, total and yield of a soybean crop were evaluated. In addition, leaf element concentration in leaves was also evaluated. The use of phenylalanine in ST promoted the best results on stem mass, leaves, pods and total dry mass, with an increase of up to 152%, as compared to control. This same treatment led to higher productivity, with a 46% increase in relation to the control. In relation to foliar concentration of elements, the most effective application is the one that is carried out in both modes of application (ST and FA), mainly with glutamate and glycine. Therefore, the application of amino acids, especially in seed treatment promotes the greater accumulation of dry mass and productivity in soybean plants.
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 | 0,000 | 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 | 0,001 |
| 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 ».