Effect of Rates and Sources of N Fertilizer Application on Dynamics of Rice Brown Leaf Spot Disease (Bipolaris oryzae) Incidences in the Dry Zone of Sri Lanka
Notice bibliographique
Résumé
Nitrogen inputs; sources or application amounts are key determinants of yield determination and determination of resistance or sensitivity to pathogen activities. This study aimed at assessing the impact of source and rate of application of N fertilizers on Rice Brown Leaf Spot (RBLS) disease incidences and dynamics in lowland irrigated rice crops. Leaf N using relative leaf chlorophyll content, leaf N concentration and crop yield were assessed during the wet 2018/19, 2019/20 and 2020/21 seasons and dry 2019 and 2020 seasons in the field research facility of Rajarata University of Sri Lanka. The conventional systems (The Department of Agriculture recommended inorganic fertilizer application at 100% N), integrated system (50% N with conventional through inorganic fertilizer and 25% N with organic manure mixture), and organic system (50% of N conventional through organic manure) were tested using a new improved rice variety Bg300, using a randomized complete block design with six replicates. Wet and dry seasons were contrastingly different in disease prevalence, where critical levels of incidences were visible earlier in the wet season compared to the dry season. Initial stages of the study, organic systems resulted in higher disease incidences, thus reaching infections of the full crop before conventional and integrated. Several seasons of continuous organic manure incorporation enhanced the resistance of organic systems to RBLS disease compared to the rest. The leaf N concentrations were higher in conventional, thus the RBLS incidences were relatively low, due to negative correlations between disease incidences. Rice yields also resulted in a significant negative correlation with disease incidences and were diminished in integrated and organic systems later. The yield suppression due to diseases such as RBLS in organic transition can be overcome by using an integrated approach and building a balanced substitutable nutrient management strategy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».