MétaCan
Menu
Retour à la cohorte
Enregistrement W2896878738 · doi:10.1139/cjfr-2018-0017

Ammonia volatilization and nitrogen runoff losses from moso bamboo forests after different fertilization practices

2018· article· en· W2896878738 sur OpenAlexvenueno aff
Jiancheng Zhao, Wen-Hui Su, Shaohui Fan, Chunju Cai, Haoran Su, Xianli Zeng

Notice bibliographique

RevueCanadian Journal of Forest Research · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueSoil and Unsaturated Flow
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVolatilisationPhyllostachys edulisSurface runoffBambooAmmonia volatilization from ureaNitrogenHuman fertilizationEnvironmental scienceAmmoniaAgronomyChemistryAnimal scienceBotanyEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Moso bamboo (Phyllostachys edulis (Carrière) J. Houz.) is a major giant bamboo species. Unreasonable fertilization and nitrogen (N) loss is a serious problem. A field experiment was conducted to determine the effects of application methods (furrow and hole) and depths (0–20 and 20–40 cm) on ammonia (NH 3 ) volatilization and N runoff losses from June to December, 2015. Ammonia volatilization was detected as a single peak curve after fertilization. Three weeks later, fluxes of all fertilization treatments were similar to those of the control and remained stable. After the experiment, the cumulative NH 3 volatilization was 17.2–21.4 kg·ha −1 . Approximately 90% of NH 3 volatilization occurred within the first two weeks. The NH 4 + -N loss was higher than the NO 3 − -N loss, and the total runoff losses were relatively low. For the same application method, with the increase of application depth, the NH 3 volatilization and N runoff losses reduced; for the same application depth, the NH 3 volatilization and N runoff losses after furrow application were lower than those after hole application. Therefore, the deep and furrow application methods were effective in reducing N loss through NH 3 volatilization and runoff. In the present study, furrow application at a 20–40 cm depth has been appropriate for field practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,460
Score d'incertitude au seuil0,769

Scores Codex et Gemma par catégorie

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 Opus0,035
Tête enseignante GPT0,290
Écart entre enseignants0,255 · 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 tête enseignante, 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

Citations19
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest ResearchMême sujetSoil and Unsaturated FlowTravaux en français237 207