Effect of Inorganic Fertilizer Micro-dosing and Weed Management Regimes on Finger Millet Productivity in Uganda
Notice bibliographique
Résumé
Finger millet yields in farmers’ fields are low primarily due to low soil fertility and poor weed management. Fertilizer application could be one of the key strategies used to address the problem. However, due to high cost of fertilizer, its utilization has been limited to very few farmers in the country. Consequently, a study was conducted in Kuju sub-county, Amuria district in Eastern Uganda during 2016 long and short rains to determine the effect of micro dosing and weeding time on finger millet performance and weed growth. The experiment was laid out in a randomized complete block design in a split plot treatment structure. Weeding times constituted the main plot [weeding at 20 DAS (days after sowing), 30 DAS, 45 DAS, and 20 & 45 DAS (double weeding)], while fertilizer rates (N 16.6 kg ha-1 + P2O5 10.6 kg ha-1; P2O5 10.6 kg ha-1; N 16.6 kg ha-1; N0 + P0, and N 83 kg ha-1 + P2O5 52 kg ha-1) constituted the sub plots. Results of this study revealed that the interaction between weeding at 45 DAS and fertilizer micro-dosing significantly (P < 0.05) reduced weed biomass (7.7 × 10-4 kg ha-1) without significant increase in finger-millet grain yield. Interaction of fertilizer micro-dosing (N 16.6 kg ha-1 + P2O5 10.6 kg ha-1) with weeding once at 20 DAS recorded the highest (2292 kg ha-1) finger millet grain yield with significant (P < 0.05) reduction in days to finger millet flowering. Therefore, it is recommended that fertilizer micro-dosing at N 16.6 kg ha-1 + P2O5 10.6 kg ha-1 and weeding once at 20 DAS can be used to control weeds and 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 | 0,000 |
| 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 | 0,001 |
| 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 ».