Variations in Corn Yield and Nitrogen Uptake in Relation to Soil Attributes and Nitrogen Availability Indices
Notice bibliographique
Résumé
Identification of soil attributes most determinant to crop yield is still a matter of debate. The main objective of the present study was to relate the variations in corn ( Zea mays L.) yield and N uptake to 16 soil attributes. Samples were collected in 2005 and 2006 from a long‐term experiment. Soil organic C (SOC), total N (TN), potential mineralizable N (PMN), NO 3 extractable with KCl (NO 3 –KCl) and CaCl 2 (NO 3 –CaCl 2 ), NO 3 adsorbed on anion exchange membranes (NO 3 –AEM), N extracted with NaHCO 3 read at 205 nm (N‐NaHCO 3 −205) and 220 nm (N‐NaHCO 3 −220), N present in fulvic acid (FA‐N), humic acid (HA‐N) and non‐humified fractions (NHF‐N), mean weight diameter of aggregates (MWD), total, macro‐ and microporosity, and bulk density (D b ) were measured. Principal component analysis (PCA) was conducted with the measured soil attributes, and the principal components (PCs) were used in a stepwise regression with corn yield and N uptake. In both years, a maximum of 88% of the total variance was explained. The stepwise regression analysis indicated that the first two PCs explained 78 to 91% of the variability in corn yield and N uptake. Based on the PCA, TN, HA‐N, NO 3 –KCl, NO 3 –CaCl 2, NO 3 –AEM, and PMN appeared as primary indicators of corn yield and N uptake, whereas MWD, FA‐N, and NHF‐N appeared as secondary indicators. When the variability in corn yield and N uptake explained by each N availability index was assessed, NO 3 –KCl and NO 3 –CaCl 2 appeared as the best predictors of corn yield because of their ease of measurement and reliability across years.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».