Seed Coated by Boric Acid Enhances Growth, Yield and Kernel quality of both Fine and Coarse Rice (Oryza sativa L.) under Semi-Arid Environmental Condition
Notice bibliographique
Résumé
Currently, more than half of the world's population relies on rice as a primary crop, making it a crucial cereal crop in the struggle against food security. Sustainable rice production is under great threat because of poor soil productivity and fertility because of nutrient losses due to temperature stress under semiarid conditions. Boron (B) is a vital micronutrient and plays an eminent role in plant proliferation and development. The Super Basmati and KS-282 seeds were coated with boric acid at dosages of 0.25, 0.50, 0.75 and 1.00 g kg-1 in this experiment. Both rice cultivars exhibited the following traits when boric acid was applied at a rate of 0.75g kg-1 seed: plant height, maximum number of productive tillers, number of kernels per panicle, grain weight in the thousand, biological yield, paddy yield and straw yield. When boric acid was applied at 0.75 g kg-1 seed, the physiological characteristics of Super Basmati and KS-282 rice cultivars, such as crop growth rate, leaf area index, leaf area duration and net absorption rate were significantly greater yielding values of 11.08 gm-2d-1 and 11.96 gm-2 d-1, 4.28 and 4.32, 67.52 and 68.94, 7.33 g m-2 d-1, and 8.93 gm When both the super basmati and KS-282 rice cultivars were treated with boric acid at 0.75 g kg-1 seed, considerably higher paddy yields (3.95 t ha-1) and (5.02 t) were obtained. The kernel quality parameters show maximum results when boric acid applied at 0.75g kg-1 seed. Current research shows that coating seed with micro nano-nutrients are highly effective procedure for increasing rice production and fertilizer use efficiency under semiarid climatic conditions.
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 | 0,000 |
| 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 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 ».