Grass and Legume Cover Crop Effects on Dry Matter and Nitrogen Accumulation
Notice bibliographique
Résumé
Careful cover crop management during the spring growth period may allow farmers to maximize dry matter (DM) yield and N accumulation for the subsequent crop. A 2‐yr study was conducted to determine the effect of grass and legume cover crops on spring DM production and N accumulation. Each year, cover crops were planted in late August and late September on a loamy, mixed, mesic Humaquept in the Fraser River Delta. Wheat ( Triticum aestivum L.), rye ( Secale cereale L.), and ryegrass ( Lolium multiflorum L.) were planted in monoculture and in mixtures with crimson clover ( Trifolium incarnatum L.). Other treatments included pure stand of crimson clover and wheat–hairy vetch ( Vicia villosa Roth.) mixture. Cover crop biomass was sampled three times in 1995 and four times in 1996 during the spring growth period. Dry matter accumulation of early planted cover crops increased by 26 to 269% during the spring growth period, ranging between 0.6 Mg ha −1 for clover and 10 Mg ha −1 for wheat, wheat–clover, and wheat–vetch treatments. Late‐planted cover crops produced between 15 and 75% lower DM yield compared with early planted cover crops. Nitrogen accumulation increased by 3 to 74 kg ha −1 for early planted crops and by 3 to 47 kg ha −1 for late‐planted crops. Nitrogen accumulation at final spring sampling ranged from 44 to 144 kg ha −1 for early planted crops and from 10 to 99 kg ha −1 for late‐planted crops. The low C/N ratio of wheat–vetch treatment compared with wheat monoculture at final sampling indicated the potential for vetch to increase the N content of the mixture.
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 | 0,000 | 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 ».