Integrated agronomy for high yield and stable flax production in Canada
Notice bibliographique
Résumé
Abstract Integrating agronomic practices can be useful in increasing flax ( Linum usitatissimum L.) yield under biotic or abiotic constraints. A study was conducted to determine the combined effect of seeding density, row spacing, fertilizer, and fungicide application on no‐till flax yields at three locations (7 site‐years) in Saskatchewan and Manitoba, Canada. The four treatments were plant density; low (190 plants m –2 ) vs. moderate (320 plants m –2 ), row spacing; narrow (20 cm) vs. wide‐row (40 cm), N rate; 65 vs. 130% of soil test recommendation, and foliar fungicide; pyraclostrobin + fluxapyroxad vs. no fungicide. No individual treatment parameter significantly affected yield; however, several combinations of treatments did. The combination of moderate density, narrow row spacing, 130% N, and fungicide application showed a 23% mean yield increase across all environments compared with the lowest‐yielding combination. Still, yield ranking differed across different growing environments. The overall high‐yielding combination was not productive under low‐yielding environments. The same high‐yielding combination, but with wide row spacing and the same combination with low density provided the most stable and moderate yield across all environments tested. Considering seed cost, yield advantage, and yield stability, the best combination was low density, narrow row spacing with 130% N and fungicide application. Among all practices, the combined application of 130% N and fungicide application significantly increased crop yield by 11% under all growing conditions. In the absence of negative interactions, producers can combine these four practices to increase flax yields depending on the cost.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».