Biostimulants Influenced Growth And Productivity Of The Organic Strawberries
Notice bibliographique
Résumé
Organic strawberry production is faced with several biotic and abiotic stresses that compromise crop productivity and berry quality. In order to improve yield and berry quality, we have compared the potential beneficial effects of seven biostimulant treatments 1- control without biostimulant (CONTROL), 2- seaweed extract (SEAWEED), 3- mycorrhiza Rhizoglomus irregular (MYC), 4- mix of three bacteria, Azospirillum brasilense, Gluconacetobacter diazotrophicus, and Bacillus amyloliquefaciens (BACT), 5- combination of MYC+BACT, 6- MYC+BACT with a low fertilization (MYC+BACT/LF), and 7- citric acid-based (CITRIC) within a complete randomized block design with five replicates. Our results showed that some biostimulants did impact the soil relative abundance of fungi and soil CO2 efflux, while no effect was observed for the microbial activity (FDA) compared with the control. Leaf chlorophyll content and the chlorophyll fluorescence were not significantly affected by biostimulants. MYC decreased the number of flowering stalks (-18%) compared with control plants, while citric acid increased their dry root biomass (+35%). However, biostimulants did not affect the mineral content of leaves. Little effect of biostimulants on crop productivity was observed compared with control plants. However, MYC+BACT increased ºBrix (+11%), total polyphenols (+40%) and anthocyanins (+26%) of the berries compared with control. The use of a lower fertilization reduced plant growth and yield.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».