Mitigation of Salinity and Drought with Soil Amendments for Sustainable of Rice Production
Notice bibliographique
Résumé
Compost, biochar and a mixture of compost biochar and soil microbes can reduce impact of drought and salinity stress.800 and 10000 ppm NaCl (11.2 and 14.0 dSm -1 ) watering at Inpari 45 agritan and AU 11 Sigupai super green rice, for 3 days at reproductive phase.Irrigated with tab water, until field capacity (aerobic cultured) until harvest.Nutrient uptake, growth and yield of rice were varying.Reduce the salinity level in the reproductive phase from 10000 ppm (14 dSm -1 ) to 387.22 μS cm -1 , while from 8000 ppm (11.2 dSm -1) to 519.22 in the Inpari 42 SGR variety while in the AU 11 Sigupai variety was decreased to (459.89, to 542.33 μS cm -1 at S1, S2.Biochar reduces soil salinity of S1 and S2 to 594.17, 476 μS cm -1 by using biochar (A1) Meanwhile, compost can reduce salinity S1 and S2 to 433.50 μS cm -1 , to 527.00 μS cm -1 .While the mixed amendment (A3) can reduce the salinity to 441.00 μS cm -1 , 392.33 μS cm -1 at harvest time.Change on nutrient uptake, chlorophyll content, leave drying score and shoot dry weight of rice.Soil amendments were effective in reducing drought and salinity.There is a close relationship between the parameters studied.Mixed soil amendment (biochar 25 g + compost 25 g + 40 g mychorizha + 25 g tricoderma) per 10 kg of soil were effective increasing rice yield.The highest yields were found in rice on soil mix amendment (A3) followed by A2 and A1 with the yield potential 4.72, 4,69, 4.19 t ha -1 .While the rice at S2 a yield potential of A3, A2, A1 of 3.2, 2.8 and 2.9 in t ha - 1 respectively.Other mechanisms need to be investigated that can increase yields and reduce salinity with the three types of organic amendments.
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 ».