Effects of different long-term fertilization on the fractions of organic nitrogen and nitrogen mineralization in soils.
Notice bibliographique
Résumé
【Objective】 A long-term field experiment located at the south edge of the Loess Plateau in Shaanxi was conducted to study the effects of different fertilizer treatments on the forms of organic nitrogen and the potential nitrogen mineralization (N0) in soils. 【Method】 Soil organic N was fractionated by acid hydrolysis-distillation method (Bremner method),and N mineralization was estimated by using 30-week aerobic incubation method of Stanford and Smith. 【Result】 The results showed that the range of organic nitrogen forms in soil was in the following order,amino acid Nnon-hydrolysable Nhydrolysable unidentified N ammonium Namino sugar N. Compared to the un-fertilization (CK) treatment,the addition of chemical fertilizers (NPK treatment) increased the different forms of organic N in soil,but the increasing rate was low. Compared with the CK treatment,the SNPK (NPK plus straw) and MNPK (NPK plus manure) treatments significantly increased the contents of different fractions of organic nitrogen in soil,especially the content of amino acid N,whereas they decreased the proportion of total hydrolysable N accounted for total nitrogen. Application of MNPK significantly increased the potentially mineralizable nitrogen (N0) and the rate of N mineralization. The significantly negative correlation was found between amino acid N and N0 (P0.05); and the negative correlationships between hydrolysable unidentified N and non-hydrolysable N and soil N0 were not statistically significant (P0.05). 【Conclusion】 Long-term application of NPK with manures or crop straw is an efficient way to enhance the nitrogen supplying capacity of soil,and amino acid N is the major contributor to the soil mineralized nitrogen.
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 ».