Balanced fertilization for yield maximization, profitability and quality of Indian mustard (Brassica juncea L.) in North Western Himalayas
Notice bibliographique
Résumé
Indian mustard is one of the major oilseed crops of the country. The productivity of this crop is quite low compared to the rapeseed mustard crops in some other countries, such as Canada and Germany. One of the major reasons for lower productivity is the lack of balanced nutrition in many parts of the country. Sulphur (S), boron (B) and zinc (Zn) play an important role in the metabolism of Rapeseed mustard crops. A field experiment was conducted at Research Farm, SKUAST-Jammu in 2022 and 2023, to investigate the influence of different fertility levels with macro and micro nutrients on productivity, profitability and quality of Indian mustard. The treatment consisted of four fertility levels containing N:P2O5:K2Odoses viz., F1-control, F2- 80:40:20 kg ha-1 , F3- 100:50:25 kg ha-1and F4- 120:60:30 kg ha-1 respectively in main plots and four macro and micronutrient treatments namely, N1- 20 kg S+2.5 kg Zn + 0.5 kg B, N2- 40 kg S+ 5.0 kg Zn +1.0 kg B, N3- N1 + 500 kg FYM ha-1 , N4-N2 + 500 kg FYM ha-1 in sub plots, which were laid out in split-plot design and replicated thrice. The results revealed that the application of N:P2O5:K2O at 120:60:30 kg ha-1 in combination with 40 kg S+ 5.0 kg Zn +1.0 kg ha-1 B enriched with 500 kg FYM ha-1 recorded a significant increase in seed and oil yield along with yield attributes, nutrient uptake, soil microbial population, net returns and B:C ratio of Indian mustard than other treatments in comparison. A significant positive correlation was noted between seed yield and nutrient uptake.
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 | 0,001 |
| 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 ».