Soil fertility response to pruning, fungicide, and fertilization in lowbush blueberry
Notice bibliographique
Résumé
Management improves the growth and fruit yield of cultivated lowbush blueberries, but it remains to be seen how the pruning method, fertilizers, and fungicide applications affect soil fertility. This study investigates the impact of pruning, fungicide, and fertilization management practices on key soil parameters related to soil fertility, namely: soil organic matter (SOM) content, soil pH, nitrogen and phosphorus mineralization, nitrification, and phosphorus saturation index (PSI). A split–split–plot experiment was established, including two pruning methods (mechanical and thermal), two fungicide regimes (with or without), and three types of fertilizer applications (mineral, organic, or none). Mineral fertilizer applications significantly and strongly affected most soil fertility indicators, with increased nitrogen (+77 kg ha −1 ) and phosphorus (+117 kg ha −1 ) mineralization and SOM (+34 g kg −1 ), while reducing soil pH (−0.18) and nitrification (−46 kg ha −1 ). Thermal pruning decreased nitrification (−26 kg ha −1 ), soil pH (−0.12), and SOM concentration (−29 g kg −1 ). Fungicide applications showed no significant impact on soil fertility. While mineral fertilizer improves soil fertility, repeated application of organic fertilizer increases soil pH (+0.34), nitrification (+53 kg ha −1 ), phosphorus mineralization (+161 kg ha −1 ), and the soil phosphorus saturation index at undesirable levels (PSI > 2.8%) in lowbush blueberry production systems. The loss of SOM with thermal pruning is noteworthy and highlights the management impact and need for regular monitoring to maintain soil fertility in such fields.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».