Evaluation of Sulfur and Nitrogen Utilization on Agronomic Traits and Fatty Acid Profiles of Safflower Using a Tester Biplot Model
Notice bibliographique
Résumé
This study investigated the effects of different sulfur fertilizers and nitrogen levels on the agronomic performance and fatty acid profile of safflower. The experimental treatments included sulfur application at varying rates and sources: S0 (no sulfur application), S25 (25 kg ha-1 sulfur from elemental sulfur, ES), S50 (50 kg ha-1 sulfur from ES), ZS25 (25 kg ha-1 sulfur from zinc sulfate, ZS), and ZS50 (50 kg ha-1 sulfur from ZS). Nitrogen was applied at three levels: N0, N40, and N80 (0, 40, and 80 kg ha-1 nitrogen from urea fertilizer). The experiment was conducted in Baneh, Iran, in 2021. The entry-by-tester (treatment-by-trait) biplot analysis, which accounted for 80% of the observed variability, identified the N80-ZS50 treatment as the most effective in enhancing key traits, including yield, oil content, and specific fatty acids such as linolenic acid. Additionally, other unsaturated fatty acids, including oleic, linoleic, and arachidic acids, exhibited higher concentrations under the N0-S50 treatment. A positive correlation was observed between fatty acid composition, oil content, and protein, as well as among various agronomic traits. Based on overall performance and trait differentiation, N80-ZS50 emerged as the optimal treatment, followed by N80-S25. Trait discriminative analysis highlighted stearic acid, oil content, and linolenic acid as key determinants in safflower evaluation. These findings underscore the significant influence of sulfur and nitrogen fertilization on safflower characteristics, demonstrating the benefits of their combined application. The N80-ZS50 treatment (80 kg ha-1 nitrogen and 50 kg ha-1 sulfur from zinc sulfate) is recommended to enhance safflower performance in upland semi-arid regions.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».