Balanced Nutrition and Crop Production Practices for Closing Sorghum Yield Gaps
Notice bibliographique
Résumé
In order to study how diverse cropping system approaches influence grain sorghum productivity, field experiments were conducted in Topeka, KS at the Kansas River Valley Experiment Field; and in Ottawa, KS at the East Central Kansas Experiment Field. The primary objective of this study was to understand how to close yield gaps between the current on-farm yields and the maximum attainable yields. The factors that were tested include narrow row spacing; high and low plant population; balanced nutrition practices, including various timings of nitrogen, phosphorus, and potassium (N-P-K); micronutrient applications of iron and zinc (Fe and Zn); crop protection with fungicide and insecticide applications; plant growth regulator effects; and the use of precision agricultural technology for maximizing yields, including a GreenSeeker meter (Trimble Navigation, Westminster, CO) for more precisely determining N needs for sorghum. Grain sorghum yields ranged from 149 to 166 bu/a in Topeka, KS under irrigation, and from 78 to 100 bu/a in Ottawa, KS, under dryland conditions. At Ottawa, yield potential was limited by precipitation, 10.8 inch. Still, sorghum yield gap between the highest (treatment #2, “kitchen sink” but with low seeding rate) and lowest (treatment #10, “standard practice”) was 22 bushels per acre. The production practices that produced the highest yields varied between the two locations.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».