Effect of Different Nutrient Management Systems on Yield and Yield Components of Rice Crop (<em>Oryza sativa</em> L.) in the Dry Zone of Sri Lanka
Notice bibliographique
Résumé
Purpose: Integrated and organic nutrient management has recently become the focus in Sri Lanka for seeking better perspectives on food quality and environmentally friendly production. This study was conducted to understand the magnitude of yield and yield components under selective nutrient management systems in major cropping seasons within the transitional period of a conventional rice-based cropping system. Research Method: Rice yield components and yield were measured with different nutrient management systems; conventional, integrated, and organic from Yala 2019 to Maha 2020/21. An ANOVA was carried out using the Repeated Measures MIXED model to determine the effect of nutrient management systems on yield and yield components for four continuous cropping seasons. Findings: Total tillers per hill and productive tillers per hill significantly varied with conventional, integrated, and organic systems in descending order. The number of filled spikelets per panicle (43) was significantly increased, and the number of hollow spikelets per panicle (8) and thousand-grain weight (21.5g) were significantly decreased with an organic system in the Yala 2019 season only. Although the biological and expected grain yields of the Yala 2019 season were significantly higher with the conventional and integrated systems, these did not change significantly with the organic system in the last two seasons. Research Limitations: Yield parameters fluctuated due to weather changes in different seasons; thus specific impacts of different nutrient managements have been masked to a certain degree. Originality/ Value: The attempt to convert conventional crop production systems in Sri Lanka to organic can be effectively achieved using the integrated use of nutrients and crop rotations.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».