Comparative Impact of Bio-Organic and Inorganic Fertilizer Application on Soil Health, Grain Quality and Yield Stability in Nutrient Deficient Regions
Notice bibliographique
Résumé
Abstract. Soil fertility limitations in arid regions restrict wheat productivity and grain nutritional quality, with zinc (Zn) deficiency being a major concern. Sustainable soil amendments combining organic and microbial inputs offer potential to address these constraints. This study aimed to evaluate the effectiveness of bio-organic fertilization in enhancing wheat growth, yield, grain Zn biofortification, and soil fertility under deficient arid field conditions. Two field trials were conducted in Bahawalpur and Bahawalnagar, Pakistan, using a randomized complete block design. Treatments included compost, ZnO (2 %), ZnSO4, zinc-solubilizing bacteria (ZSB), and their combinations. Wheat growth, yield, grain nutrient concentrations, and soil fertility indicators (organic matter, microbial biomass nitrogen (MBN), microbial biomass carbon (MBC), and nutrient availability) were measured. Microbial populations were determined through colony-forming units. Correlation and principal component analysis (PCA) were applied to explore associations among variables. The integrated application of compost + ZnO + ZSB significantly improved wheat height (19 %), biomass (20 %), yield attributes (10 %), and grain Zn concentration (39 %) compared with the control. Soil fertility parameters also increased (organic matter, 39 %; MBN, 32 %; MBC, 27 %). Correlation and PCA highlighted strong positive relationships among microbial populations, soil fertility, and crop performance. Bio-organic fertilization provides an eco-friendly and effective strategy to improve wheat yield, Zn biofortification, and soil fertility in arid agroecosystems.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».