Herbage responses and animal performance of nitrogen-fertilized grass and grass-legume grazing systems
Notice bibliographique
Résumé
Abstract The study evaluated forage and livestock performance in different grazing systems over two years. Treatments were three contrasting grazing systems: (I) N-fertilized bahiagrass ( Paspalum notatum Flüggé) in the summer overseeded during the winter by N-fertilized ryegrass ( Lolium multiflorum ) and oat ( Avena sativa L.) (Grass + N); (II) unfertilized bahiagrass during the summer overseeded with ryegrass + oat and a blend of clovers ( Trifolium spp.) in the winter (Grass + Clover); (III) unfertilized bahiagrass and rhizoma peanut (RP; Arachis glabrata Benth.) mixture during summer, overseeded during winter by ryegrass + oat + clovers mixture (Grass + Clover + RP). Average daily gain (ADG), gain per area (GPA), and stocking rate (SR) in the winter did not differ across treatments and averaged 0.87 kg/d ( P = 0.940), 303 kg/ha, and 2.72 AU/ha. In the summer, Grass + Clover + RP had greater ADG than Grass + N (0.34 vs. 0.17 kg/d, respectively). During the summer, the GPA of Grass + Clover + RP was superior to Grass + N (257 vs. 129 kg/ha, respectively), with no difference in SR among treatments at 3.19 AU/ha. Over the entire year, ADG and GPA tended to be greater for Grass + Clover + RP. Annual SR differed between treatments, where Grass + N was greater (3.37 AU/ha) than the other treatments, which averaged 2.76 AU/ha. Integration of legumes into pasture systems in the summer and winter contributes to developing a sustainable grazing system, reducing N fertilizer use by 85% while tending to increase livestock productivity even though SR was decreased by 18%.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».