Water Use Efficiency Differences in Maize Varieties under Every Furrow and Alternate Furrow Irrigation
Notice bibliographique
Résumé
Water-use efficiency (WUE) differences of selected maize varieties under alternate and every furrow irrigation were investigated in a split-plot design trials with three replicates. Alternate furrow (AFI) and Every furrow irrigation (EFI) were main treatments and twenty maize varieties were sub-treatments. Plots were 64 m2 with one maize seed per station spaced at 0.25m apart. Crop water use results indicated that EFI consumed more water than the AFI. The AFI reduced crop water consumption by 38 - 45% compared to EFI.  Differences were also prominent in maize varieties’ response to AFI. Late maturing maize varieties proved to have minor yield reduction with AFI compared to early and medium maturing maize varieties. WUE (kg m-3) differed with irrigation water application strategy (P<0.001). AFI had high WUE. A combination of AFI with selection of water efficient maize varieties was a good strategy for improving WUE. The AFI is a promising furrow irrigation water management strategy for water saving. According to farmers experience at five irrigation schemes and on station research, it was concluded that AFI is one of the climate smart irrigation technique that farmer can easily adopt and apply as it saves labour, time water whilst reducing conflict for water among irrigators. It was recommended that AFI be applied fully on early and medium maturing maize varieties within an irrigation interval of 7 days. For late maturing maize varieties, AFI technique should be applied from initial stage to mid - stage (up 55 days from planting) then apply EFI at tasselling and silking stages to reduce water stress at this critical stage.
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 | 0,001 | 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 | 0,001 | 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 ».