Growth, Yield and Seed Nutrient Quality of Soybean Grown in Inland Peatland as Affected by Cow Manure Application
Notice bibliographique
Résumé
Soybean yields poorly on peat smallholder farms in Indonesia, leading to a heavy reliance on imported.Soybean productivity on peat faces low soil fertility with limited macro and micronutrients.Cow manure, as an effective alternative of organic ameliorant, is the most important factor in increasing growth and yield to overcome the nutrient content of peat soil.We evaluate the effects of cow manure, an effective alternative of organic ameliorant, and varieties on the growth, yield component, yield, and seed nutritional value of soybean growing in inland peatland.A field experiment was carried out from March to July 2021.The factorial experiment included two factors consisting of cow manure with four treatment dosages, namely 0 t ha -1 , 10 t ha -1 , 20 t ha -1 , and 30 t ha -1 , respectively, and three soybean varieties tested, namely Anjasmoro, Deja 1, and Deja 2, respectively.We determined the growth (plant height and leaves number), yield component (fresh biomass and dry biomass weight), yield (seed dry weight per plot, seed dry weight per plant, weight 100 seeds), and nutritional seed value of soybean.The combination of cow manure and soybean varieties had no significant effect on all variables observed.Application of cow manure at a dose of 30 t ha -1 resulted in enhanced growth, yield component, and yield of soybean grown in peatland but reduced the protein content.Anjasmoro soybeans varieties without cow manure contained the most protein.Moreover, Anjasmoro was an adaptive variety cultivated in peatland compared to Deja 1 and Deja 2. The study emphasizes the need for further research to understand the effects of cow manure on crop yield and nutrient enhancement.
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 ».