Predicting soil nitrogen supply from soil properties
Notice bibliographique
Résumé
Dessureault-Rompré, J., Zebarth, B. J., Burton, D. L. and Georgallas, A. 2015. Predicting soil nitrogen supply from soil properties. Can. J. Soil Sci. 95: 63–75. Prediction functions based on simple kinetic models can be used to estimate soil N mineralization as an aid to improved fertilizer N management, but require long-term incubations to obtain the necessary parameters. Therefore, the objective of this study was to examine the feasibility of predicting the mineralizable N parameters necessary to implement prediction functions and in addition to verify their efficiency in modeling soil N supply (SNS) over a growing season. To implement a prediction function based on a first-order (F) kinetic model, a regression equation was developed using a data base of 92 soils, which accounted for 65% of the variance in potentially mineralizable N (N 0 ) using soil total N (STN) and Pool I, a labile mineralizable N pool. However, the F prediction function did not provide satisfactory prediction (R 2 =0.17–0.18) of SNS when compared with a field-based measure of SNS (PASNS) if values of N 0 were predicted from the regression equation. We also examined a two-pool zero- plus first-order (ZF) prediction function. A regression model was developed including soil organic C and Pool I and explained 66% of the variance in k S , the rate constant of the zero-order pool. In addition, a regression equation was developed which explained 86% of the variance in the size of the first-order pool, N L , from Pool I. The ZF prediction function provided satisfactory prediction of SNS (R 2 =0.41–0.49) using both measured and predicted values of k S and N L . This study demonstrated a simple prediction function can be used to estimate SNS over a growing season where the mineralizable N parameters are predicted from simple soil properties using regression equations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».