Little or no maize (<i>Zea mays</i>) grain yield loss occurred in intercrop with mid‐maturity lablab (<i>Lablab purpureus</i>) in northeastern Tanzania
Notice bibliographique
Résumé
Abstract Intercropping is among sustainable intensification tactics farmers may use to increase or maintain productivity and environmental quality. Effects of planting lablab [ Lablab purpureus (L.) Sweet] 1 or 2 weeks after planting maize (WAPM) are not well characterized, especially when mid‐maturity lablab cultivars are used. Greenhouse (Springfield, MO) and field studies (Arusha, Tanzania) were conducted in 2018 and 2019 to assess early (≤60 days) and full‐season effects on growth and grain production. The greenhouse study characterized early growth characteristics when lablab was sown 0, 1, or 2 WAPM for each of four cultivars of lablab. “Echo Cream” lablab produced greater vine length and more nodes than other cultivars in the greenhouse. Greenhouse lablab biomass and node number were greatest when sown ≤1 WAPM. The field study compared monoculture and intercrop grain yields. Highest maize yields occurred when lablab was sown ≥1 WAPM, but highest lablab yields occurred when planted at the same time as maize. The maize/lablab intercrop always resulted in favorable land equivalent ratios (LERs) ranging from 1.5 to 2.1. The partial LER of maize yield was not reduced by more than 7% relative to monoculture either year. Lablab yield was negatively affected by planting delay, decreasing about 60% in 2018 and 31% in 2019 in the 2 WAPM planting date treatment. Although twining lablab vines complicate grain harvest, our results demonstrate increased grain production per unit area with maize/lablab intercropping, with a potential for increased farmer income and household nutrition.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».