Nitrogen, irrigation, and alley management affects raspberry crop response and soil nitrogen and root‐lesion nematode dynamics
Notice bibliographique
Résumé
Abstract There is a need to improve raspberry crop nitrogen (N) management practices, particularly when grown over aquifers vulnerable to nitrate (NO 3 ) leaching. This study quantified the effects of N, irrigation and alley management strategies on berry yield, indices of crop vigor and N status, growing season soil N dynamics, and root‐lesion nematode (RLN) population dynamics under red raspberry production in British Columbia, Canada. Conventional management (100 kg N ha −1 surface broadcast on the row, clean cultivation of alleys, and drip irrigation for a fixed duration regardless of evapotranspiration [ET]) was compared with different mineral fertilizer N rates, application of N as manure, seeding the alley to either a perennial forage grass (perennial ryegrass [ Lolium perenne L.] and ‘Bridgeport II’ chewings fescue [ Festuca rubra subsp. commutate]) or an autumn‐seeded spring barley crop, or ET‐scheduled irrigation. In addition, the combination of ET‐scheduled irrigation plus fertigation of a reduced rate of N was compared with conventional practices at a reduced N rate. There was little or no crop response to N source and rate, a finding attributed primarily to high nonmanaged N inputs, and possibly also to RLNs present at population densities (grand mean = 4 per cm 3 soil) expected to suppress raspberry growth. ET‐scheduled irrigation reduced water use ∼50% compared with fixed‐duration irrigation without compromising crop performance. The perennial forage grass in the alley reduced soil mineral N but not yield. Taken together, these findings demonstrate that more environmentally sustainable raspberry production can be achieved through integrated management systems even in soils vulnerable to NO 3 leaching.
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 | 0,001 | 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 ».