MétaCan
Menu
Retour à la cohorte
Enregistrement W4290466026 · doi:10.3390/agriculture12081164

Effects of Irrigation Method and Water Flow Rate on Irrigation Performance, Soil Salinity, Yield, and Water Productivity of Cauliflower

2022· article· en· W4290466026 sur OpenAlex
Abdelaziz M. Okasha, Nehad Deraz, Adel H. Elmetwalli, Salah Elsayed, Mayadah W. Falah, Aitazaz A. Farooque, Zaher Mundher Yaseen‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAgriculture · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueIrrigation Practices and Water Management
Établissements canadiensUniversity of Prince Edward Island
Organismes subventionnairesnon disponible
Mots-clésIrrigationEnvironmental scienceSurface irrigationYield (engineering)AgronomyProductivityWater-use efficiencySalinityDeficit irrigationWater useDrip irrigationField experimentAridIrrigation managementBiologyEcology

Résumé

récupéré en direct d'OpenAlex

Water scarcity is a major constraint for food production, particularly in arid and semi-arid environments. In this regard, selecting the best irrigation technique is crucial to overcome water scarcity and enhance water productivity (WP) with no significant yield loss. This study aimed to assess the impact of irrigation techniques of every furrow irrigation (EFI), alternate furrow irrigation (AFI), and drip irrigation (DI), as well as the flow rate, on irrigation system performance parameters, yield, water productivity of cauliflower crop and soil salinity during the two successive growing seasons of 2017/2018 and 2018/2019 under field conditions. The treatments comprised three different irrigation inflow rates: Q1 = 0.47 L/s, Q2 = 0.95 L/s, and Q3 = 1.43 L/s. For both investigated seasons, the AFI + Q3 treatment produced the best water distribution uniformity (DU) and water application efficiency (AE) of 85.10% and 72.73%, respectively, of the surface irrigation, and DI methods across the two growing seasons produced the highest DU of 95%. DI produced the highest cauliflower curd yield (18.12 Mg/fed), followed by EFI + Q3 (12.285 Mg/fed) and AFI + Q3 (11.905 Mg/fed). The maximum mean WP value of 10.6 kg/m3 was recorded with DI, followed by AFI + Q3 (6.24 kg/m3), across the two growing seasons. DI, AFI + Q3, AFI + Q2, AFI + Q1, EFI + Q3, and EFI + Q2 saved irrigation water by 32.63, 28.71, 21.22, 18.04, 10.48, and 3.18%, respectively, compared with EFI + Q1 across the two growing seasons. During both seasons, the average value using the drip irrigation system was 3.60 dS/m. Considering the annual leaching requirements of soil, climate change conditions, and fixed costs, we recommend the use of a drip irrigation system in clayey soil to produce cauliflower, followed by the use of the alternative furrow irrigation method to enable the aeration of the same soil for a lower 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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,128
Score d'incertitude au seuil0,207

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,209
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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