Optimization of plant density and nitrogen regimes to mitigate lodging risk in wheat
Notice bibliographique
Résumé
Abstract Influences of planting density and nitrogen rate have been investigated frequently in targeted wheat ( Triticum aestivum L.) research. Few studies have investigated interactions between these inputs. The objective was to determine the combine effect of N and seeding rates on culm morph‐physiological traits for lodging tolerance and grain yield. The experiment used a split‐split randomized block design using two wheat varieties ‘AnNong0711’ and ‘YanNong19’, split by four seeding (180, 240, 300, and 375 × 10 4 ha −1 ) and four N rates (0, 180, 240, and 300 kg ha −1 ). Lodging traits of plant height, culm height center of gravity, and internode length, increased ( p < .05) however, stem diameter, wall thickness, and stem breaking strength decreased with increasing N and seeding rate. Stem breaking strength was negatively correlated with culm height center of gravity ( r = −.869, p = .01), internode length ( r = −.872, p < .01), and lignin ( r = −.746, p < .01) but positively correlated with internode diameter ( r = .715, p < .05) and wall thickness ( r = .696, p < .05). Culm lodging index and cellulose showed positive correlation ( r = .807 and .913 respectively) with lignin. Compared to YanNong19, AnNong0711 showed higher grain yield and culm lodging index of 9 and 20.49%, respectively. For improved grain yield, 180 plants m −2 was optimal in surface combinations with 210 kg N ha −1 for AnNong0711 and 200 kg N ha −1 for YanNong19. These combinations of seeding and N rates could successfully mitigate lodging and improve grain yield.
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 | 0,000 |
| 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 ».