How Does the Addition of Biostimulants Affect the Growth, Yield, and Quality Parameters of the Snap Bean (Phaseolus vulgaris L.)? How Is This Reflected in Its Nutritional Value?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recently, the use of biostimulants as natural and eco-friendly fertilizers has received increasing attention because of their efficiency in terms of improving crops’ qualitative and quantitative parameters, i.e., growth, yield, and chemical composition. We studied the effect of four biostimulants—humic acid (20 g/L), vermicompost tea (15 mL/L), moringa leaf extract (1:30 v/v), and yeast extract (5 g/L), with tap water as a control treatment—on the qualitative and quantitative characteristics of snap beans. The experiment was designed using a complete randomized block with triplicates. The results showed a significant improvement in treated plant performance (growth and yield), chlorophyll, and chemical composition compared to untreated plants. Using moringa leaf extract increased the plant height, number of leaves and branches/plant, and fresh and dry weight. Additionally, the diameter of the treated plant stems and the quality of the crop and pods were also significantly higher than those of plants treated with vermicompost or humic acid extract. It is also noted that the profile of amino acids was improved using all tested biostimulants. This leads to the conclusion that the addition of moringa leaf extract and vermicompost tea not only positively affects the qualitative and quantitative properties of snap bean but is also reflected in its nutritional value as a plant-based food.
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.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle