Tile Drainage Phosphorus Loss with Long-Term Consistent Cropping Systems and Fertilization
Notice bibliographique
Résumé
Phosphorus (P) loss in tile drainage water may vary with agricultural practices, and the impacts are often hard to detect with short-term studies. We evaluated the effects of long-term (≥43 yr) cropping systems (continuous corn [CC], corn-oats-alfalfa-alfalfa rotation [CR], and continuous grass [CS]) and fertilization (fertilization [F] vs. no-fertilization [NF]) on P loss in tile drainage water from a clay loam soil over a 4-yr period. Compared with NF, long-term fertilization increased concentrations and losses of dissolved reactive P (DRP), dissolved unreactive P (DURP), and total P (TP) in tile drainage water, with the increments following the order: CS > CR > CC. Dissolved P (dissolved reactive P [DRP] and dissolved unreactive P [DURP]) was the dominant P form in drainage outflow, accounting for 72% of TP loss under F-CS, whereas particulate P (PP) was the major form of TP loss under F-CC (72%), F-CR (62%), NF-CS (66%), NF-CC (74%), and NF-CR (72%). Dissolved unreactive P played nearly equal roles as DRP in P losses in tile drainage water. Stepwise regression analysis showed that the concentration of P (DRP, DURP, and PP) in tile drainage flow, rather than event flow volume, was the most important factor contributing to P loss in tile drainage water, although event flow volume was more important in PP loss than in dissolved P loss. Continuous grass significantly increased P loss by increasing P concentration and flow volume of tile drainage water, especially under the fertilization treatment. Long-term grasslands may become a significant P source in tile-drained systems when they receive regular P addition.
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 | 0,000 |
| 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 ».