Long‐Term Biomass Yield and Species Composition in Native Perennial Bioenergy Cropping Systems
Notice bibliographique
Résumé
Biomass yield is an important factor when recommending native perennial plants and mixtures for bioenergy production. Our objective was to determine long‐term biomass yields in fertilized and unfertilized native plant monocultures and mixtures that show promise for bioenergy across diverse environments in the Upper Midwest. We measured biomass yields, species composition, and diversity annually in monocultures and mixtures ranging from 4 to 24 planted species including grasses, legumes, and other forbs; each managed with and without 67 kg N ha −1 fertilizer applied annually at nine locations for 7 yr. Without N fertilization, switchgrass ( Panicum virgatum L.) monocultures and an eight‐species mixture of grasses and legumes produced the most biomass over locations and years (5.1 Mg ha −1 ). With N fertilizer, switchgrass monocultures and a four‐species mixture of grasses produced the highest yields (6.8 and 6.4 Mg ha −1 ). Over time, biomass yields increased for switchgrass, decreased for Canada wild rye ( Elymus canadensis L.), and remained stable for the high diversity mixtures. Other mixtures had nonlinear changes in yield, likely related to changes in species composition. Although the relative abundance of individual species changed over time, Shannon diversity was constant except for the four‐species legume mixture where it decreased. Contrary to other studies, N fertilization did not decrease species diversity through time. Diversity was positively related to biomass yield following establishment, but the strength of the relationship diminished with stand age. Native plant mixtures managed with and without N fertilizer can yield similar biomass compared with highly productive monocultures in the Upper Midwest.
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 | 0,000 | 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 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 ».