Maximizing spring wheat productivity in the eastern Canadian Prairies II. Grain nitrogen, grain protein, and nitrogen use
Notice bibliographique
Résumé
Abstract The marketability of spring wheat ( Triticum aestivum L.) across the Canadian prairies is largely dependent on grain protein content. New high‐yielding cultivars require a large investment in fertilizer N to achieve milling quality standards. When high rates of N fertilizer are applied, N use efficiencies tend to decrease, lowering returns on investment. The objectives of this study were to identify patterns of N use for spring wheat cultivars and how they are influenced by agronomic management practices. Field trials were conducted in 2018 and 2019 in Manitoba, Canada, to evaluate N uptake timing, N remobilization from vegetative tissue and the resulting grain N yield and protein content. Three spring wheat cultivars were evaluated using five N fertilizer treatments with and without an application of a plant growth regulator (PGR). When high N rates were applied, average N use efficiency, for grain N production, was 60%. On average 21–36% of N uptake occurred after anthesis and this portion was highly dependent on late‐season precipitation. Targeting increases in early season N accumulation and grain‐fill remobilization, to produce optimal grain N levels, may be used to managing risk associated with unknown precipitation during the growing season. Cultivars tested produced similar grain N levels through fundamentally different N use patterns, indicating that there may be opportunity for breeding programs to target N use patterns that best fit environmental conditions of the Canadian prairies to maximize grain N production.
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 | 0,002 | 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 ».