Surface and Subsurface Transport of Nitrate Loss from the Selected Bioenergy Crop Fields: Systematic Review, Analysis and Future Directions
Notice bibliographique
Résumé
Nitrate loss from bioenergy crop fields has attracted considerable attention during the last few years because of its potential negative impact on aquatic and human health. Both controllable and uncontrollable factors for nitrate loss have been the subject of several previous studies. Due to differences in climate, biophysical dissimilarities and land management characteristics in different parts of the world the factors affecting nitrate loss are often inconsistent and hence difficult to generalize. Therefore, reanalyzing the experimental field or plot scale studies to understand the nitrate loss factors in crop fields is useful and necessary in developing management strategies for reducing nitrate loss. This research synthesized and investigated 36 peer reviewed scientific journal articles related to selected bioenergy crop fields that included: continuous corn, corn in rotation with soybean, switchgrass and Miscanthus to conduct a meta-analysis of the available research. In this study, factors such as drain tile spacing, tillage practices, type and timing of the fertilization rate, irrigation and various other factors, which are challenging to represent in regression equations, were also systematically analyzed. In addition, various other agronomic characteristics that are attributed too nitrate loss are caused by perennially planted bio energized crops such as Miscanthus and switchgrass. Results indicated that 49% of nitrate loss through surface runoff from corn fields is directly related to the annual precipitation and fertilization rate. Multiple linear regression equations were developed to estimate the annual subsurface nitrate loss for the continuous corn fields with a R2 value of 0.65, 0.58 and 0.26 for sandy loam, silty loam and clay loam, respectively. Our analysis resulted in the conclusion that corn has a 2 to 3 times higher nitrate loss in surface runoff compared to switchgrass. Likewise, continuous corn and corn in rotation with soybean contributed more than 9 times the subsurface loss of nitrate compared to the established subsurface loss attributed to the Miscanthus and switchgrass.
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 | 0,007 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,012 | 0,013 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».