Effectiveness of Nano-Chitosan, Biological Agents, and Plant Oils on Enhancing Yield and Reducing Pink Ear Rot Disease in Maize
Notice bibliographique
Résumé
This study aimed to manage pink ear rot disease caused by Fusarium verticillioides and to evaluate the impact of tested treatments on maize yield parameters which applied as sprays either once, twice, or three times. Single applications of treatments like Bacillus subtilis, garlic oil, camphor oil, and chitosan were generally ineffective, while Topsin-M70 fungicide reduced disease severity by 25.02%. When applied twice, chitosan was most effective, reducing disease severity by 46.44%, followed by nano-chitosan, camphor oil, and fungicide Topsin-M70. When applied three times, fungicide Topsin-M70 showed the most effective, reducing disease severity by 84.62%, with Bacillus subtilis, nano-chitosan, and camphor oil also performed well. Repeated applications of Trichoderma harzianum, carnation oil, and garlic oil increased disease severity. Also, the study evaluated the impact of tested treatments on maize yield parameters. Results indicated that nano-chitosan and camphor oil were the most effective in enhancing yield parameters such as the number of rows per ear, kernels per row, 100-kernel weight, and grain yield per plant, with nano-chitosan showing the highest improvements across most parameters. Fungicide Topsin-M70 also demonstrated significant efficacy, particularly in grain yield per plant. Overall, multiple applications of the treatments led to greater improvements in maize yield parameters.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».