Growth and Yield of Kale, Swiss chard, Amaranth, and Arugula microgreens in response to different growing medium substrates
Notice bibliographique
Résumé
Microgreens are relatively novel food with high nutrition and dietary benefits that can be influenced by the growing medium. Two experiments were performed to develop an optimum media for microgreensfrom kale (Brassica oleracea L. var. acephala), Swiss chard (Betavulgaris var. cicla), arugula (Eruca vesicaria ssp. sativa), and amaranth (Amaranthus tricolour L.). Experiment 1 was screening of media T1 = 30% vermicast + 40% sawdust + 30% perlite; T2 = 30% vermicast + 50% sawdust + 20% perlite; T3 = 50% vermicast + 30% sawdust + 20% perlite; T4 = 30% vermicast + 40% sawdust + 30% mushroom compost; T5 = 30% vermicast + 20% sawdust + 20% perlite + 30% mushroom compost; and a negative control (NC) = 50% sawdust + 50% mushroom compost. The positive control was Promix BX™ potting mix alone. Experiment 2 was to test the efficacy of two different sources of mushroom compost (White oyster mushroom compost (MC1) and Shiitake mushroom compost (MC2)) added to media T1 to T5 above. The results showed that the media physicochemical properties varied across treatments. Higher chemical parameters were obtained for T4, T5, and media containing MC1. Porosity and water retention were increased in media containing MC2 compared to the other.Seed germination, plant height, and microgreen yield were statistically (P>0.05) enhanced by T2 and T4 that contained MC2 compared to the rest. Microgreens yield was approximately three times higher in T2 and 4 with added MC2, except the yield of arugula which was two times higher in these media compared to the control. Overall, T5 alone, and T2 and T4 with added MC2 were the most effective media for microgreen production. Future studies will assess microgreens’ nutrients in different media.
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 | 0,000 | 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 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 ».