Field application of beneficial microbes to ameliorate drought stress in maize
Notice bibliographique
Résumé
Abstract Background and aims Drought stress is a challenge to maize ( Zea mays L.) production, especially in an era of unpredictable climate change and weather extremes. Maize is a source of calories for millions of people all over the world. It is a food security crop, and any yield loss has food security implications. This study examines the effects of soil microbes on maize growth and yield under drought conditions, focusing on field-based experiments. Methods This review follows PRISMA guidelines to systematically evaluate studies on the field effects of soil microbes on maize growth and yield under drought stress. A comprehensive search across multiple scientific databases using specific keywords and Boolean operators identified 78 manuscripts published between 2010 and 2024. After applying inclusion and exclusion criteria, only 9 studies met the criteria for microbial application in maize fields under drought conditions. Results Microbial Biofertilizer applications enhance maize performance compared to uninoculated plants. Complementary application of biofertilizer together with conventional fertilizers outperforms sole application of biofertilizer in ameliorating drought stress in maize under field conditions. This study highlights some mechanisms through which soil microbes contribute to drought tolerance, the influence of environmental factors and host plant characteristics on microbial inoculants' effectiveness. Conclusions The diverse array of growth-promoting microbial species available and their application methods offer significant potential for improving agricultural resilience. By integrating microbial technologies into farming practices, the challenges posed by climate change to food security may be reduced, thus contributing to sustainable agricultural production.
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 ».