Changes in Denitrifier Abundance, Denitrification Gene mRNA Levels, Nitrous Oxide Emissions, and Denitrification in Anoxic Soil Microcosms Amended with Glucose and Plant Residues
Notice bibliographique
Résumé
In agricultural cropping systems, crop residues are sources of organic carbon (C), an important factor influencing denitrification. The effects of red clover, soybean, and barley plant residues and of glucose on denitrifier abundance, denitrification gene mRNA levels, nitrous oxide (N(2)O) emissions, and denitrification rates were quantified in anoxic soil microcosms for 72 h. nosZ gene abundances and mRNA levels significantly increased in response to all organic carbon treatments over time. In contrast, the abundance and mRNA levels of Pseudomonas mandelii and closely related species (nirS(P)) increased only in glucose-amended soil: the nirS(P) guild abundance increased 5-fold over the 72-h incubation period (P < 0.001), while the mRNA level significantly increased more than 15-fold at 12 h (P < 0.001) and then subsequently decreased. The nosZ gene abundance was greater in plant residue-amended soil than in glucose-amended soil. Although plant residue carbon-to-nitrogen (C:N) ratios varied from 15:1 to 30:1, nosZ gene and mRNA levels were not significantly different among plant residue treatments, with an average of 3.5 x 10(7) gene copies and 6.9 x 10(7) transcripts g(-1) dry soil. Cumulative N(2)O emissions and denitrification rates increased over 72 h in both glucose- and plant-tissue-C-treated soil. The nirS(P) and nosZ communities responded differently to glucose and plant residue amendments. However, the targeted denitrifier communities responded similarly to the different plant residues under the conditions tested despite changes in the quality of organic C and different C:N ratios.
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 | 0,001 |
| 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 ».