Prediction of Soil Nitrogen Supply in Corn Production using Soil Chemical and Biological Indices
Notice bibliographique
Résumé
Assessment of the soil N supply capacity is essential to optimize N fertilizer use. The soil N supply capacity of 102 soil samples (0–15 cm) from 25 sites collected from 2004 to 2007 across four Canadian provinces was evaluated by comparing a group of chemical N availability indices with soil mineralizable N pools and a field‐based measure of soil N supply. Soil N supply was estimated by corn ( Zea mays L.) N uptake corrected for starter fertilizer N. Two subgroups were created based on the soil texture and were compared to the whole data set. Grouping soils provided limited benefits in predicting soil potentially mineralizable nitrogen ( N 0 ), but improved the prediction of soil N supply. The N 0 was weakly related to soil N supply for the whole data set ( r = 0.09) and in fine‐textured soils ( r = 0.37) but the relationship was improved ( r = 0.68) in medium‐ to coarse‐textured soils. The N 0 was not necessarily a good predictor of soil N supply under field conditions which emphasizes the need to also consider environmental conditions. The UV absorbance of a 0.01 M NaHCO 3 extract at 205 nm (NaHCO 3 –205), the hot KCl extractable NH 4 –N (HotKCl–N) and Pool I (a labile mineralizable N pool) plus NO 3 –N were the most promising N availability indices because they are easy to perform and they were positively and significantly related to soil N supply in the whole data set as well as the soil texture subgroups (0.28 ≤ r ≤ 0.62). This study demonstrated that grouping soils based on texture can increase the proportion of variation in soil N supply explained by N availability indices when data from contrasting environmental conditions, soil types, and years are used.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».