Fertilizer Micro-dosing and Timing of Weeding for Enhancing Finger-Millet Production in Eastern Uganda
Notice bibliographique
Résumé
Finger-millet response to micro-dosing with N and P fertilizer in the Semi-Arid areas of eastern Uganda is not fully known. Consequently, we conducted a field study at Kuju in eastern Uganda in 2016 long and short rains. The study determined the effect of fertilizer micro-dosing and weeding time on finger-millet performance. The experiment was laid out in a randomized complete block design with a split plot treatment structure. Weeding time constituted the main plot (weeding at 20, 30, 45 DAS (days after sowing) and 20 + 45 DAS while fertilizer rates (16.6 kg N ha-1 + 10.6 kg P2O5 ha-1; 10.6 kg P2O5 ha-1; 16.6 kg N ha-1; 0 N + 0 N and 83 kg N ha-1 + 52 kg P2O5 ha-1) constituted the sub-plots. Results of this study revealed that finger-millet grain yield was highest (2182 kg ha-1) at fertilizer micro-dosing (16.6 kg N ha-1 + 10.6 kg P2O5 ha-1) and lowest (950 kg ha-1) in plots with no fertilizer. Fertilizer micro-dose application (16.6 kg N ha-1 + 10.6 kg P2O5 ha-1) caused early flowering of finger-millet (52.2 days), whereas delayed flowering was recorded, where 16.6 kg N ha-1 (55.12 days) was applied. The interaction between time of weeding and fertilizer rates significantly (P < 0.05) increased finger millet growth and grain yield. The interaction of N and P fertilizer micro-dose with weeding once at 20 DAS had the highest finger-millet grain yield. Therefore, it is recommended that fertilizer micro-dosing can be used to enhance finger-millet productivity.
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 | 0,001 |
| 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 ».