Nitrogen Availability from Composts for Humid Region Perennial Grass and Legume–Grass Forage Production
Notice bibliographique
Résumé
Perennial forages may be ideally suited for fertilization with slow N release amendments such as composts, but difficulties in predicting N supply from composts have limited their routine use in forage production. A field study was conducted to compare the yield and protein content of a binary legume-grass forage mixture and a grass monocrop cut twice annually, when fertilized with diverse composts. In all three years from 1998-2000, timothy (Phleum pratense L.)-red clover (Trifolium pratense L.) and timothy swards were fertilized with ammonium nitrate (AN) at up to 150 and 300 kg N ha(-1) yr(-1), respectively. Organic amendments, applied at up to 600 kg N ha(-1) yr(-1) in the first two years only, included composts derived from crop residue (CSC), dairy manure (DMC), or sewage sludge (SSLC), plus liquid dairy manure (DM). Treatments DM at 150 kg N ha(-1) yr(-1) and CSC at 600 kg N ha(-1) yr(-1) produced cumulative timothy yields matching those obtained for inorganic fertilizer. Apparent nitrogen recovery (ANR) ranged from 0.65% (SSLC) to 15.1% (DMC) for composts, compared with 29.4% (DM) and 36.5% (AN). The legume component (approximately 30%) of the binary mixture acted as an effective "N buffer" maintaining forage yield and protein content consistently higher, and within a narrower range, across all treatments. Integrating compost utilization into livestock systems that use legume-grass mixtures may reduce the risk of large excesses or deficits of N, moderate against potential losses in crop yield and quality, and by accommodating lower application rates of composts, reduce soil P and K accumulation.
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 ».