Optimal Agronomics Increase Grain Yield and Grain Yield Stability of Ultra-Early Wheat Seeding Systems
Notice bibliographique
Résumé
Ultra-early seeding of spring wheat (Triticum aestivum L.) on the northern Great Plains can increase grain yield and grain yield stability compared to current spring wheat planting systems. Field trials were conducted in western Canada from 2015 to 2018 to evaluate the impact of optimal agronomic management on grain yield, quality, and stability in ultra-early wheat seeding systems. Four planting times initiated by soil temperature triggers were evaluated. The earliest planting was triggered when soils reached 0–2.5 °C at a 5 cm depth, with the subsequent three plantings completed at 2.5 °C intervals up to soil temperatures of 10 °C. Two spring wheat lines were seeded at each planting date at two seeding depths (2.5 and 5 cm), and two seeding rates (200 and 400 seeds m−2). The greatest grain yield and stability occurred from combinations of the earliest seeding dates, high seeding rate, and shallow seeding depth; wheat line did not influence grain yield. Grain protein content was greater at later seeding dates; however, the greater grain yield at earlier seeding dates resulted in more protein production per unit area. Despite extreme ambient air temperatures below 0 °C after planting, plant survival was not reduced at the earliest seeding dates. Planting wheat as soon as feasible after soil temperatures reach 0 °C, and prior to soils reaching 7.5–10 °C, at an optimal seeding rate and shallow seeding depth increased grain yield and stability compared to current seeding practices. Adopting ultra-early wheat seeding systems on the northern Great Plains will lead to additional grain yield benefits as climate change continues to increase annual average growing season temperatures.
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 ».