Quinoa productivity and quality under irrigated conditions through crop establishment methods in Pakistan
Notice bibliographique
Résumé
Abstract Quinoa ( Chenopodium quinoa Willd.) is gaining global recognition for its nutritional benefits and adaptability to various environments. However, there is limited data on how different planting methods affect the productivity and quality of quinoa genotypes with varying panicle shapes, especially under irrigated conditions. We hypothesized that different crop establishment techniques influence the performance of quinoa genotypes in terms of phenology, weeds, growth, and yield aiming to enhance both yield and grain quality. To test this, a 2‐year field experiment (2021–2022 and 2022–2023) was conducted at Ayub Agricultural Research Institute, Faisalabad, Pakistan. The experiment used split‐plot design with three replications incorporating three sowing methods in main plots: ridge sowing (RS), line sowing (LS), and broadcasting (BC) and three quinoa genotypes with different panicle architectures: UAF‐Q7 (intermediate), Line‐105 (glomerulate), and Line‐22 (amarantiform) in subplots. Results indicated that LS method improved morphological and yield attributes like stem thickness, terminal panicle length and weight, grain yield, 1000‐grain weight, and biological yield compared to RS and BC. Among genotypes, Line‐105 showed superior performance in morphology, biomass, and yield, while UAF‐Q7 had higher grain protein content. Panicle number per plant showed positive correlation with terminal panicle weight, grain yield, 1000‐grain weight, and harvest index. LS also resulted in highest crop growth rate and grain quality. The study suggests that LS is a better planting technique and Line‐105 is a suitable genotype for achieving high grain yield under irrigated conditions.
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 ».