Optimizing root yield of cassava under fertigation and the masked effect of atmospheric temperature
Notice bibliographique
Résumé
BACKGROUND: Fertigation is a rare and an expensive method of fertilizer application to cassava, and hence there is a need to optimize its efficiency for profitability. This study's objective was to optimize root yield of cassava through fertigation using a logistic model. RESULTS: The field treatments were six fertigation concentrations against three cassava varieties, selected according to their maturity period. The logistic model predicted 52%, 116% and 281% benefit of fertigation for the varieties Mweru, Kampolombo and Nalumino, respectively. Furthermore, only half of the amount of fertilizer applied for Mweru was required to achieve twice the root yield of Kampolombo. During the experiment, an unknown importance of atmospheric temperature to cassava and its relationship to fertigation was observed. An elevation of 3.7 °C in atmospheric temperature led to 226%, 364% and 265% increase in root yield of Mweru, Kampolombo and Nalumino, respectively. Conversely, shoot biomass and root yield declined when the average atmospheric temperatures dropped by 3.6 °C. However, the cold temperatures affected the short-growth-duration (Mweru) and medium-growth-duration (Kampolombo) varieties earlier, 22 days after the drop, than the long-growth-duration variety (Nalumino) - 50 days after the drop. CONCLUSION: Fertigation induced resilience of the shoot biomass production to cold which was most pronounced in the root yield of Mweru in response to the highest fertigation concentration. Thus, while fertigation improved cassava's resilience to cold, it only did so effectively for short-growth-duration variety, Mweru. Also, enhanced performance of cassava under increased atmospheric temperature indicated its importance as a climate-smart crop. © 2020 Society of Chemical Industry.
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 | 0,001 |
| 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 ».