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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».