Organic Inputs on Maize (Zea mays) Yield and Chemical Properties of Two Ultisols
Notice bibliographique
Résumé
Effects of organic inputs (OIs) on maize grain yield and chemical properties of Ultisols were assessed at Msekera and Misamfu Agricultural Research Stations in the medium and high rainfall regions respectively of Zambia. The OIs included biomasses of the leguminous species Cajanus cajan, Tephrosia vogelii, and Crotalaria juncea, in-situ composted native grasses and shrubs called fundikila, modified fundikila using Mucuna pruriens, and composted cattle manure, with chemical fertilizer as a control. After two crop growing seasons, cattle manure significantly increased soil pH, while modified fundikila significantly increased levels of soil organic matter. At Msekera, OIs increased levels of total N by 300%. At Misamfu, fundikila and Cajanas cajan increased total N by 35%. The OIs did not significantly increase available P and K at both sites. In the first season at Msekera, OIs had a higher mean maize yield (6075±368 kg/ha) than chemical fertilizer (3567±715 kg/ha). Maize yields for OIs in the second season did not differ significantly from those of the first season. At Misamfu the leguminous OIs Cajanas cajan and Tephrosia vogelii, had a lower combined mean maize yield (5405±242 kg/ha) than chemical fertilizer (7426±430 kg/ha) in the first season. A 70% decline in maize yield occurred on plots with leguminous OIs in the second season compared to the first season. Leguminous OIs generally performed better at Msekera than at Misamfu. At both sites, the traditional OIs, cow manure at Msekera, and fundikila at Misamfu had higher maize yields than leguminous OIs. We concluded that effects of OIs on soil chemical properties and maize yield vary with soil and climatic conditions and that these need to be considered when selecting OIs for use by farmers.
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 | 0,001 | 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 | 0,001 | 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 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 ».