Responses of Upland Rice cv Inpago LIPI Go4 to Microbial Inoculant and Nitrogen Fertilization Dosage Treatments
Notice bibliographique
Résumé
There is a huge potential of upland for developing food crops to shortage the increase in rice production in Indonesia. Upland rice that adaptable to dry land could support national rice production. Among the limit factors of upland rice productivity in Indonesia are infertile land and cultivation practices. The purpose of the study was to find out the effect of microbial inoculant application combined with nitrogen (N) fertilizer dosage to the cultivation of upland rice Inpago LIPI Go4. The factorial experimental design with two factors was applied, namely the supply of microbial inoculant and the dosage of N fertilizer and, i.e., 0%, 50%, 100% N (200 kg ha-1 Urea). The inoculant comprises of Aspergillus niger, Trichoderma viride, and Azotobacter. Each treatment combination was repeated four times. The microbial inoculant treatment solely effects significantly plant height, tiller number, and panicle weight of the upland rice, whereas N dosage treatment solely influences significantly plant height and tiller number. There was no interaction significant effect of microbial inoculant and N fertilizer dosage to all growth, production, and content of leaf N parameters. The maximum production of the upland rice was 4499 kg ha-1, whereas the average production was 3816 kg ha-1 grain weight. The highest yield was obtained from the plant with the supply of microbial inoculant and the treatment of 50% N fertilizer (100 kg ha-1 Urea).
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 | 0,001 |
| 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 ».