Biostimulants Promote Plant Development, Crop Productivity, and Fruit Quality of Protected Strawberries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Berries such as strawberries are recognized as a significant constituent of healthy human diets owing to their bioactive secondary metabolites. To improve crop sustainability, yield and berry quality, alternative production systems should be proposed such as organic farming and the use of biostimulants. Thus, we have compared within a complete randomized block design seven biostimulant treatments: 1-control, 2-seaweed extract, 3-Trichoderma, 4-mycorrhiza, 5-mixture of three bacteria, 6-combination of mycorrhiza + bacteria, and 7-citric acid. Strawberry plants were grown in conventional high tunnel (CH), conventional greenhouse (CG) and organic greenhouse (OG). Our results showed that biostimulants did not impact the soil microbial activity (FDA) when compared with the control. Leaf chlorophyll content and photosynthetic leaf performance were not affected by any studied biostimulants. Bacteria, citric acid, and the combination of mycorrhiza + bacteria increased the number of flowering stalks compared with the control in CH, while bacteria increased the crown diameter and all biostimulants increased fresh and dry shoot plant biomass. Citric acid increased leaf Ca content in CG, when all biostimulants increased leaf N content in CH. Studied biostimulants increased berry productivity in CH, while citric acid treatment had the highest yield in CG. The anthocyanins content increased with the use of biostimulants in CH, whereas Trichoderma (CG) and the combination of mycorrhiza + bacteria (OG) increased the Brix, total polyphenols, and anthocyanin contents of the berries compared with the control.
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.
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 | 0,000 | 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) | 0,000 | 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 découle