Influence of Organic and Organo-Mineral Fertilizers on Growth and Fruit Yield of Eggplant on Acidic Soil
Notice bibliographique
Résumé
Eggplant is a very important vegetable and economic resource crop for populations in urban areas of developing countries. Its cultivation, on acidic coastal soils of Côte d’Ivoire, presents several edaphic constraints. This study aims to assess the effects of organic fertilizers and an organo-mineral fertilizer, as compared to mineral fertilizers, on the growth and eggplant yield on an acid soil. The experiment was carried out in a randomized Fisher block, with 4 treatments and a control repeated 3 times. Treatments consisted of organic and organo-mineral fertilizers, a liquid organic fertilizer and a mineral fertilizer application. Application rates of organic and organo-mineral fertilizers were 17.5 t ha-1. The liquid organic fertilizer rate was 1 L per 200 L ha-1 of water. As for the mineral fertilizer, the formula 0-23-19 and urea (46-0-0) were used, bringing rates of 138 kg ha-1 (N), 65.35 kg ha-1 (P2O5) and 54 kg ha-1 (K2O). The organo-mineral fertilizer used produced the best effects. Very highly significant (p < 0.001) growth, such as plant height and collar diameter, were 52.69 and 1.49 cm, respectively, 90 days after transplanting. Concerning yield, statistical analysis showed highly significant differences (p < 0.01) between treatments. The highest fruit yield (20.87 t ha-1) was recorded in mineral fertilizer plot, but not significantly different from those of plots with organo-mineral (17.55 t ha-1) and organic (16.66 t ha-1) fertilizers. Organo-mineral fertilizers, based on highly enriching organic materials, are capable to contribute to a lasting improvement in the practice of this crop.
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 | 0,001 |
| 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 ».