Inoculant and fertilizer effects on lentil in the US northern Great Plains
Notice bibliographique
Résumé
Abstract Lentil ( Lens culinaris Medikus) is an important crop, averaging over 250,000 ha in Montana and North Dakota during 2016–2021. However, relatively little is known about rhizobial inoculant and fertility response in lentil in the US northern Great Plains. The objective was to evaluate the effect of rhizobial inoculant formulations (seed coat and in‐furrow) and nutrient additions (potassium [K], sulfur [S], and micronutrients) on lentil yield and seed protein concentration. This study was conducted at seven university research centers in Montana and North Dakota from 2019 to 2021, resulting in 20 location‐years of data. In six of 20 experiments, inoculant application increased seed yield by an average of 36% (323 kg ha −1 , p ≤ 0.05) but had no consistent effect on seed protein concentration. Lentil or pea crop history among locations did not explain inoculant response. Inoculant formulations (seed coat vs. in‐furrow) and K fertilizer had inconsistent and small effects on seed yield and protein concentration. However, S fertilizer (5.6 kg S ha −1 ) increased seed yield in four of 20 experiments ( p ≤ 0.02) by an average of 14.5% (255 kg ha −1 ) in those experiments and decreased seed yield for one experiment ( p = 0.05) by 5.8% (153 kg ha −1 ). Pre‐plant SO 4 ‐S soil test levels did not predict lentil response to S fertilizer. Micronutrient application was assessed in 12 location‐years but had no effect on lentil yield or protein concentration. This research suggests a need to better understand what factors control lentil yield and protein response to rhizobial inoculant and S fertilization.
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 ».