Yield Gap, Indigenous Nutrient Supply and Nutrient Use Efficiency for Maize in China
Notice bibliographique
Résumé
Great achievements have been attained in agricultural production of China, while there are still many difficulties and challenges ahead that call for put more efforts to overcome to guarantee food security and protect environment simultaneously. Analyzing yield gap and nutrient use efficiency will help develop and inform agricultural policies and strategies to increase grain yield. On-farm datasets from 2001 to 2012 with 1,971 field experiments for maize (Zea mays L.) were collected in four maize agro-ecological regions of China, and the optimal management (OPT), farmers' practice (FP), a series of nutrient omission treatments were used to analyze yield gap, nutrient use efficiency and indigenous nutrient supply by adopting meta-analysis and ANOVA analysis. Across all sites, the average yield gap between OPT and FP was 0.7 t ha-1, the yield response to nitrogen (N), phosphorus (P), and potassium (K) were 1.8, 1.0, and 1.2 t ha-1, respectively. The soil indigenous nutrient supply of N, P, and K averaged 139.9, 33.7, and 127.5 kg ha-1, respectively. As compared to FP, the average recovery efficiency (RE) of N, P, and K with OPT increased by percentage point of 12.2, 5.5, and 6.5, respectively. This study indicated that there would be considerable potential to further improve yield and nutrient use efficiency in China, and will help develop and inform agricultural policies and strategies, while some management measures such as soil, plant and nutrient are necessary and integrate with advanced knowledge and technologies.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».