Maximizing spring wheat productivity in the eastern Canadian Prairies: I. Yield, yield components, and lodging risk
Notice bibliographique
Résumé
Abstract Spring wheat ( Triticum aestivum L.) yields across the Canadian prairies are rising, however, a yield gap remains between average yield and yield potential, which can be explored further under Prairie conditions. The high rates of nitrogen (N) fertilizer required for current high‐yielding cultivars may increase lodging risk adding to this yield gap. The objectives of this study were to determine the influence of intensive management through N fertilization and plant growth regulator (PGR) application, on grain yield, yield components, and their relationships, in addition to lodging risk. Field trials were conducted at two locations in 2018 and 2019 in Manitoba, Canada, to evaluate three high‐yielding spring wheat cultivars, three N management strategies, and the application of a PGR. Kernels per spike had the strongest overall linear relationship with grain yield ( r 2 = .47), while the response of spikes per plant was highly related to yield response with alterations in N and PGR management practices ( r 2 = .98). Splitting N fertilizer applications showed potential to reduce lodging risk of spring wheat, while maintaining yield and increasing protein. The PGR applications reduced lodging and increased grain yield by 91 kg ha −1 mainly through increases in kernels per spike. To achieve consistent yield increases, management practices should maximize early season N availability to target increases in spikes per plant and kernels per spike, thus a PGR application may be required to balance increased lodging risk.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».