Enhancing aromatic rice production through agronomic and nutritional management for improved yield and quality
Notice bibliographique
Résumé
To meet the growing international demand for aromatic rice, this study, conducted at Uttar Banga Krishi Viswavidyalaya in Cooch Behar, West Bengal, aimed to enhance the yield and quality of the 'Tulaipanji' rice cultivar through advanced establishment methods and the use of organic nutrients over two years. The research tested three planting techniques: mechanical transplanting, wet direct seeding (using a drum seeder), and traditional methods, alongside four nutrient management strategies: vermicompost, farmyard manure, a mix of both, and conventional fertilizers. Findings revealed that mechanical transplanting significantly increased yield by over 31.98% and 71.05% compared to traditional methods and wet direct seeding, respectively. Using vermicompost alone as a nutrient source not only boosted yields by 21.31% over conventional fertilizers but also enhanced the rice's nutritional value and cooking quality. Moreover, soils treated with vermicompost showed higher dehydrogenase activity, indicating better soil health. Economically, mechanical transplanting with vermicompost was the most beneficial, yielding the highest net returns and benefit-cost ratios in both years studied. This approach presents a viable model for improving the sustainability of aromatic rice production globally, emphasizing the economic and environmental advantages of adopting mechanical planting techniques and organic fertilization methods.
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 ».