Assessing crop productivity, grain quality, and soil labile carbon and nitrogen in pea-based intercrops under low nitrogen input
Notice bibliographique
Résumé
Pea-based intercrops provide nitrogen (N) benefits and often improve land productivity through functional diversification. However, their impact on grain quality and soil health remains unclear. We conducted a 2-year (2021 and 2022) intercrop study at Swift Current and Melfort, Saskatchewan, assessing productivity, grain quality, and soil water-extractable organic carbon (WEOC) and water-extractable dissolved N (WEDN). Nine treatments included pea–oat (PO) intercrops with three N rates (0, 1/4, and 1/2 of full recommended N rate for oat monocrop), pea–canola (PC) intercrops with three N rates (0, 1/4, and 1/2 of full recommended N rate for canola monocrop), and three monocrops (pea, oat, and canola). Pea monocrop received no N fertilizer, while oat and canola monocrops received the full recommended N rate. In intercrops, pea was seeded at 2/3 and the companion crop at 1/2 of their recommended rates. PO intercrops consistently produced higher energy-based yields than PC intercrops. Intercrops outperformed monocrops at Melfort but not at Swift Current. Intercropping reduced canola protein content by 6–9% and oat protein content by 6–8%, compared to monocrops. PO intercrops increased WEOC level by 5%–9% compared to monocrops. PC intercrops resulted in 10% higher WEDN than PO intercrops, attributed to a higher pea plant stand in PC. Nitrogen fertilizer rates in intercrops did not affect yields or soil labile C and N. The results showed that applying N fertilizers to pea-based intercrops did not improve productivity, but seeding rate ratio in intercrops should be finetuned based on crop competitiveness to improve overall performance.
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 | 0,002 | 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 | 0,001 | 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 ».