Winter Cover Crop Seeding Rate and Variety Effects during Eight Years of Organic Vegetables: III. Cover Crop Residue Quality and Nitrogen Mineralization
Notice bibliographique
Résumé
Winter cover crops (CCs) can improve nutrient‐use efficiency in tillage‐intensive cropping systems. Shoot residue quality and soil mineral N following incorporation of rye ( Secale cereale L.), legume–rye, and mustard CCs was determined in December to February or March during the first 8 yr of the Salinas Organic Cropping Systems trial in Salinas, CA. Legume–rye included Vicia faba L., V. sativa L., V. benghalensis L., Pisum sativum L., and rye; mustard included Sinapis alba L. and Brassica juncea Czern. Cover crops were planted in the fall at standard and three times higher seeding rates (SRs) before vegetables annually. Significant CC × year interactions occurred for C and N concentrations and C/N ratios of CC shoots. In general, C concentrations were higher in rye and legume–rye, N concentrations were higher in mustard and legume–rye, and C/N ratios were higher in rye. During the season, C concentrations and C/N ratios tended to increase, whereas N concentrations decreased. Compared with rye and mustard, legume–rye residue quality changed least during each season. Increasing the SR reduced N concentrations and increased C/N ratios; however, the effect varied with time and by residue. Following CC incorporation, soil mineral N varied between years and CC and was typically highest following legume–rye or mustard and lowest without CC. Rainfall after CC incorporation reduced soil N one year, suggesting that leaching occurred. We conclude that mustard and legume–rye produce higher quality residue that will decompose more rapidly and minimize tillage challenges for subsequent vegetables but may be more prone to post‐incorporation N leaching.
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 ».