Agronomic evaluation of polymer-coated urea and urease and nitrification inhibitors for cotton production under drip-fertigation in a dry climate
Notice bibliographique
Résumé
Abstract Interest in the use of enhanced-efficiency nitrogen (N) fertilizers (EENFs) has increased in recent years due to their potential to increase crop yield and reduce environmental N loss. Drip-fertigation is widely used for crop production in arid regions to improve water and nutrient use efficiency whereas the effectiveness of EENFs with drip irrigation remains unclear. A field experiment was conducted in 2015 and 2016 to examine the effects of EENFs on yield, N use and quality of cotton ( Gossypium hirsutum ) grown under drip-fertigation in arid NW China. Treatments included an unfertilized control and application of 240 kg N ha −1 by polymer-coated urea (ESN), urea alone, or urea plus urease (NBPT) and nitrification (DCD) inhibitors. ESN was all banded in the plant row at planting, whereas urea was applied with 20% N banded at planting and 80% N by six fertigation events over the growing season. Results showed there was generally no treatment effect on seed and lint yield, N concentration or allocations, N recovery efficiency and fiber quality index of cotton. A lack of treatment effect could be due to N supplied with drip-fertigation better synthesized with crop N needs and the relatively high soil native NO 3 − availability, which hindered the effect of polymer-coated urea and double inhibitors. These results highlight the challenge of the employment of EENFs products for drip-fertigation system in arid area. Further research is required to define the field conditions under which the agronomic efficiency of EENFs products may be achieved in accordance with weather conditions.
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 | 0,002 | 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 ».