MétaCan
Menu
Retour à la cohorte
Enregistrement W2161043277 · doi:10.17221/207/2012-pse

Soil water cycle and crop water use efficiency after long-term nitrogen fertilization in Loess Plateau

2013· article· en· W2161043277 sur OpenAlexaff
Baiyan Wang, Wenzhao Liu, Qingwu Xue, Tinghui Dang, Chao Gao, Jiquan Chen, B. Zhang

Notice bibliographique

RevuePlant Soil and Environment · 2013
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoil Carbon and Nitrogen Dynamics
Établissements canadiensUniversité de MontréalUniversité du Québec à Montréal
Organismes subventionnairesShanxi Province Science Foundation for Youths
Mots-clésWater-use efficiencyAgronomyHuman fertilizationSowingAnimal scienceNitrogenChemistryBiologyIrrigation

Résumé

récupéré en direct d'OpenAlex

The objective of this study was to investigate the effect of nitrogen (N) management on soil water recharge, available soil water at sowing (ASWS), soil water depletion, and wheat (Triticum aestivum L.) yield and water use efficiency (WUE) after long-term fertilization. We collected data from 2 experiments in 2 growing seasons. Treatments varied from no fertilization (CK), single N or phosphorus (P), N and P (NP), to NP plus manure (NPM). Comparing to CK and single N or P treatments, NP and NPM reduced rainfall infiltration depth by 20-60 cm, increased water recharge by 16-21 mm, and decreased ASWS by 89-133 mm in 0-300 cm profile. However, crop yield and WUE continuously increased in NP and NPM treatments after 22 years of fertilization. Yield ranged from 3458 to 3782 kg/ha in NP or NPM but was 1246-1531 kg/ha in CK and single N or P. WUE in CK and single N or P treatments was < 6 kg/ha/mm but increased to 12.1 kg/ha/mm in a NP treatment. The NP and NPM fertilization provided benefits for increased yield and WUE but resulted in lower ASWS. Increasing ASWS may be important for sustainable yield after long-term fertilization.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,164
Écart entre enseignants0,155 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePlant Soil and EnvironmentMême sujetSoil Carbon and Nitrogen DynamicsTravaux en français237 207