Assessment of nitrification and urease inhibitors on nitrate leaching in corn (<i>Zea mays</i> L.)
Notice bibliographique
Résumé
Agricultural ecosystems are one of the largest global contributors to nitrate (NO 3 − ) contamination of surface- and groundwater through fertilizer application. Improved fertilizer practices are needed to manage crop nutrient supply in corn (Zea mays L.) while minimizing impacts to clean water reserves. The goal of this study was to compare current nitrogen (N) fertilizer practices (urea at planting) with “packages” of improved management practices (a combination of right timing and product) that farmers potentially use. We conducted measurements in a continuous corn system from November 2015 to May 2017 at a large field scale (four 4 ha plots). Nitrate concentration was measured below the root zone and drainage estimated using a soil water budget approach in which evapotranspiration was measured using the eddy covariance method. The objective was to compare NO 3 − -N leaching from fields receiving urea vs. urea + combination of nitrification and urease inhibitors (NUI) fertilizer applications at planting, urea–ammonium nitrate (UAN) vs. UAN + NUI applied at sidedress, and a combination of these practices: urea + NUI at planting vs. UAN at sidedress. Drainage was only significant in the non-growing season. Neither fertilizer products applied with NUI at planting or sidedress proved to significantly reduce NO 3 − -N leaching. The combination of delaying fertilization to sidedress and applying UAN significantly reduced the soil water NO 3 − -N concentration compared with urea + NUI at planting (mean of 5.2 vs. 6.7 mg L −1 ) but only in 2015–2016. Based on these results, applying UAN at sidedress is recommended, although additional study years are needed to confirm those results.
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 | 0,000 |
| 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 ».