Salinity Tolerant Indices Based on Yield Performance of Some Sugar Beet Varieties as Treated by Potassium Silicate to Mitigate Saline Soil Stress
Notice bibliographique
Résumé
Salinity stress is a significant abiotic factor that limits the yield and quality of sugar beet grown in newly reclaimed saline lands. The field experiment was conducted at a private farm in Tamia (29° 17ˋ N, 30° 53ˋ E), Fayoum, Egypt, in 2021/2022 and 2022/2023 successive seasons. The objective of this study was to assess the usefulness of potassium silicate (K2SiO3) in four K-silicate foliar spray concentrations in alleviating salinity stress on five sugar beet varieties grown in saline soil. A split-plot design in a randomized complete block arrangement was used with three replications. Spraying K-silicate showed improved sugar beet varieties' tolerance to soil salinity. Increasing the concentration of the sprayed K-silicate gave higher root and sugar yield productivity. Results showed that the varieties significantly differed, where the Narmar and Afendra varieties showed superiority over the other three tested varieties, with the highest values of root and sugar yield and it is related traits in both seasons. The potassium silicate rate of 2,000 mg/L gave the highest juice quality and lowest impurities, suggesting a great potential for using potassium silicates with sugar beet to produce high roots and quality for economical sugar production under saline soil. The sugar beet varieties with less than one unit of salinity tolerance index (STI), yield stability index (YSI), and salinity susceptibility index (SSI) values were suitable for cultivation under saline soil stress and non-stress environments. These indices were more effective in identifying high-yielding varieties under saline soil stress as well as non-stress 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».