Effect of Doses of Green Manure from Different Sources on Growth and Yield of Maize in Dryland
Notice bibliographique
Résumé
Dryland has low soil fertility. Efforts that can be made to improve soil fertility are fertilizer technologies such as green manure compost. The aim of this study was to determine the type and dose of green manure to increase the growth, production and nutrient uptake of maize in the dryland. The research was conducted in Sidera Village Sigi Biromaru District, Sigi Regency, Central Sulawesi from June to December 2018. The research used a factorial randomized block design. The first factor is the type of green manure consisting of three levels, namely mungbean green manure (K1), peanut green manure (K2) and Centrosema pubescens green manure (K3). The second factor is the dose of green manure which consists of three levels, namely 5 t. ha-1 (D1), 7.5 t. ha-1 (D2) and 10 t. ha-1 (D3). Thus, there are 9 treatment combinations, each treatment consisting of 3 replications so that there are 27 experimental units. Data were analyzed statistically using the F test and if significantly different it was followed by the least significant difference (LSD) Fisher’s test, P-value 0.05. These results showed that the types and dose of green manure increase the growth and yield of maize, namely leaf area, stem diameter, cob length, the weight of 100 dry shelled seeds, and production per hectare of the dry weight of corn shelled. The highest nutrient uptake and maize production were obtained in the application of C. pubescens green manure at a dose of 10 t. ha-1, namely nitrogen uptake of 7.68%, phosphorus of 0.39%, potassium of 0.09% and yield of 6.44 t. ha-1.
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 ».