How management practices influence vegetative and reproductive plant traits of wild lowbush blueberry species
Notice bibliographique
Résumé
Optimizing agricultural practices is an effective way to increase fruit productivity in commercial wild lowbush blueberry ( Vaccinium angustifolium Aiton; Vaccinium myrtilloides Michx) fields, but results from northern Quebec (Canada) are scarce. In this study, we assessed the effect of the main crop management practices, namely pruning method (mechanical and thermal), fungicide (with and without), and fertilization (mineral, organic, and without) on key vegetative and reproductive plant traits of both wild blueberry species. The experiment was conducted from fall 2016 to fall 2018, when the combination of pruning, fungicide, and fertilizing was applied. Results show that fertilizer application was the main management practice affecting vegetative and reproductive plant traits followed by fungicide application effects during pruning years only. Mineral fertilizer improved plant traits to a greater extent than organic fertilizer during the pruning phase only, and no significant differences in the second year after application (harvesting phase) suggest a delayed but similar final effect of organic fertilizer. Results also showed that V. myrtilloides produces taller stems with more leaves compared to V. angustifolium, whereas V. angustifolium produces more flower buds, a key reproductive plant trait. Results also highlight the fact that V. angustifolium needs both fertilizer and fungicide to keep leaves on the stem during late summer, whereas V. myrtilloides needs either fertilizers or fungicides. This study also shows that pruning method has no significant effect on any of the measured plant traits. However, we believe that long-term studies are still needed to assess the impact of pruning method over time.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».