Cover crops and nitrogen fertilization effects on soil carbon and nitrogen and tomato yield
Notice bibliographique
Résumé
Cover crops can influence soil properties and crop yield. We examined the influence of legume [hairy vetch (Vicia villosa Roth) and crimson clover (Trifolium incarnatum L.)] and nonlegume [rye (Secale cereale L.)] cover crops and N fertilization (0, 90, and 180 kg N ha −1 ) on the short- and long-term effects on soil C and N and tomato yield and N uptake. We measured organic C and N (long-term effects), potential C and N mineralization (PCM and PNM) and inorganic N (short-term effects) periodically on a Greenville fine sandy loam (fine-loamy, kaolinitic, thermic, Rhodic Kandiudults) planted with tomato (Lycopersicum esculentum Mill) from April to August in 1996 and 1997 in Georgia USA. Soil C and N concentrations increased early in the growing season with cover crop residue incorporation, but decreased as the residue decomposed. Rye increased organic N and maintained greater levels of organic C and PCM after 3 yr than other treatments. In contrast, hairy vetch and crimson clover increased PNM and inorganic N soon after residue incorporation into the soil and produced tomato yield and N uptake similar to that produced by 90 and 180 kg N ha –1 . Nitrogen fertilization increased PNM and inorganic N after split application and tomato yield and N uptake but decreased organic C and N and PCM compared with rye. Compared with 0 kg N ha –1 , nonlegume cover crops, such as rye can increase organic C and N and PCM but legume cover crops, such as hairy vetch and crimson clover, can enrich soil N and produce tomato yield and N uptake similar to that produced by 90 and 180 kg N ha −1 . Key words: Cover crops, nitrogen fertilization, soil carbon, soil nitrogen, tomato yield
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 ».