Effects of Different Planting Patterns on the Growth and Yield of Maize and Soybean in Northwest China
Notice bibliographique
Résumé
Aboveground and belowground interactions are crucial in the over-yielding of intercropping systems. However, the relative effects of aboveground and belowground interactions on yields in maize (Zea mays L.) and soybean (Glycine max) intercropping systems are still unclear. Field experiments, including measurements of plant height, soil-plant analysis development (SPAD) value, photosynthetically active radiation (PAR), root length density (RLD), root volume density (RVD), and grain yield, were conducted in 2018-2019 to analyze the advantages and effects of above-ground and belowground inter-species interactions. This study adopted three different planting patterns: mono-cropping maize (MM), mono-cropping soybeans (MS), and maize-soybean intercropping (IM and IS). This study showed that intercropping promotes the growth of maize and makes maize have a better photosynthetic environment, while the growth of intercropping soybeans is inhibited and the photosynthetic environment becomes worse. In the upper layer (0-40 cm) and close to the plants, the root growth and distribution of intercropped maize increased, resulting in greater root length density and volume density, while the root growth and distribution of intercropped soybean decreased, resulting in lower root length density and volume density. The intercropping increased the maize yield by 18.52-19.8%, and reduced the soybean yield by 55.87-57.44%. The results indicated that intercropping improves the competitiveness of maize and reduces the competitiveness of soybeans. The increase in maize yield made up for the loss of soybean yield and led to an overall significant advantage in the maize-soybean intercropping system.
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 ».