Tillage, Crop Residue and Nitrogen Management Effects on Nitrogen Uptake, Nitrogen Use Efficiency and Yield of Rice
Notice bibliographique
Résumé
Field experiment was conducted in three factorial strip split plot design to evaluate the effect of two establishment methods (EM) i.e. transplanted in puddled soil (Pu-TPR) and direct seeded in zero tillage (ZT-DSR), two residue levels i.e. residue kept at 3 t ha -1 (RK) and no residue (RR) with two nitrogen doses i.e. recommended dose (100 kg N ha -1) (RD) and farmers' dose (50 kg N ha-1) (FD) with six replications with individual plot size of 5.4 m × 6.3 m on rice variety Ram-Dhan during the year 2016. Nitrogen uptake, nitrogen use efficiencies and yield of rice were recorded. Straw nitrogen uptake was significantly higher in ZT-DSR than Pu-TPR. Similarly, grain straw and total nitrogen uptake were significantly higher in residue applied and recommended dose of nitrogen than no-residue applied and farmers-nitrogen dose treatments respectively. Nitrogen efficiency ratio and physiological efficiency index were significantly higher in Pu-TPR and no-residue applied treatments while partial factor productivity was higher in residue applied treatment. All nitrogen use efficiencies like partial factor productivity, nitrogen efficiency ratio and physiological efficiency index were significantly influenced by nitrogen dose and seen higher in recommended dose of nitrogen. Establishment methods had no significant effect on grain yield but straw yield was significantly higher in ZT-DSR but harvest index was seen higher in Pu-TPR. Grain yield and straw yield were significantly higher in residue applied treatment and recommended nitrogen but harvest index was higher in farmers-nitrogen dose.
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 | 0,000 |
| 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 ».