Enhancing sweet potato yield: An overview of strategies for high-yield and sustainable production
Notice bibliographique
Résumé
Sweet potato ( Ipomoea batatas. L), the third most important root crop globally, offers significant nutritional value and high yield potential., making it a critical crop for food security, particularly in developing regions. However, its production is influenced by various factors. As the global population grows and dietary demands shift toward more sustainable and nutritious food sources, there is an increasing need to enhance the productivity of sweet potato cultivation. This review provides a comprehensive overview of strategies to improve sweet potato yield, with a focus on practical agricultural approaches. Key aspects such as the selection of high-yield, disease-resistant varieties are emphasized. Soil management practices, including optimal soil conditions, preparation techniques, and nutrient management, are demonstrated. Planting techniques, including optimal timing, plant density, and propagation methods, are also highlighted. Effective irrigation and water management strategies for different growth stages are crucial and addressed in detail. Pest and disease management is addressed through integrated approaches, while weed control strategies emphasize sustainable practices. Nutrient management and fertilization are addressed, comparing organic and synthetic options. Finally, the review offers guidelines on harvesting handling to reduce losses and maximize yield. In summary, integrating genetic improvement with effective agricultural practices can significantly enhance sweet potato production. However, future research should prioritize developing new varieties with higher yield potential and greater tolerance, ultimately improving the marketability and economic viability of sweet potato farming.
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 ».