Effect of minituber size and iron fertilizer on quantitative, qualitative traits and amino acid content of potato ( <i>Solanum tubersum</i> L.)
Notice bibliographique
Résumé
This study aims to determine the effects of minituber size and nano-fertilizers on the quantitative and qualitative yield of mini potato tubers produced from healthy tissue culture seedlings. A factorial plot experiment was conducted to examine the effects of minituber sizes, nano-iron oxide, and iron chelate fertilizers on potato growth and yield. The experiment, conducted over two crop years in Iran, used three minituber weight categories (1–3, 3–5, 5–10 g) and seven iron fertilizer treatments: control, soil-applied iron chelate (20 µmol), soil-applied nano-iron oxide (20 µmol), and foliar sprays of 1% and 2% iron chelate or nano-iron oxide. As minituber size increased, plant height, stem count, tuber weight, vegetation index, and iron and protein content increased, while nitrate content decreased. The highest tuber weight plant−1 was achieved with 20 µmol nano-iron oxide soil application (405.23 g) for 1–3 g minitubers. In the 5–10 g minituber category, the highest yields (556.92 g) were observed with 20 µmol nano-iron oxide soil application, followed by 2% nano-iron oxide foliar spray (544.52 g). Smaller minitubers (1–3 g) performed best with nano-iron oxide soil application, while medium-sized (3–5 g) and larger (5–10 g) minitubers benefited most from foliar iron treatments. The study concluded that both minituber size and the type of iron fertilizer application significantly affected potato growth, yield, and quality. These findings underscore the importance of selecting the right minituber size and iron fertilizer treatment to optimize potato 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 | 0,001 | 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 ».