Pasture rejuvenation using sainfoin and cicer milkvetch in western Canada
Notice bibliographique
Résumé
Abstract Sod‐seeding of depleted pastures with non‐bloating legumes can be a low‐cost pasture rejuvenation strategy for ranchers in the North American prairies. A study was conducted to determine if sainfoin ( Onobrychis vicifolia subsp. vicifolia ) or cicer milkvetch (CMV) ( Astragalus cicer L.) populations or cultivars (hereinafter populations) can be used to rejuvenate alfalfa ( Medicago sativa L.) or grass pastures. The study included sainfoin populations with increased fitness to grow with alfalfa and CMV cultivars that were selected for early emergence and rapid seedling growth. These populations were seeded using three seeding methods: traditional re‐seeding, drilling seed with Great Plains drill, or Pan drill, using split‐plot randomization at three locations in Alberta in 2015 or 2016. Lethbridge had pre‐existing alfalfa while Ponoka and Red Deer were predominantly grass pastures. The sod‐seeded rejuvenation, as indicated by percentage dry matter (DM) contributed by newly planted species succeeded at Lethbridge (≥15), failed at Ponoka (∼1), and partially succeeded at Red Deer (≥9). Successful establishment of new plants did not increase the total forage mass of the rejuvenated pasture. Sainfoin populations established better and contributed greater forage mass compared to CMV cultivars when sod‐seeded on alfalfa pasture, but the improvement was not consistent on grass pasture. Forage nutritive values were not different among populations within species, but pasture seeded with CMV cultivars had greater crude protein than unseeded plots. Sod‐seeded grass–legume pasture had greater crude protein than unseeded plots at Red Deer. Sod‐seeding alfalfa pasture with sainfoin populations can be an efficient pasture rejuvenation strategy.
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 ».