MétaCan
Menu
Retour à la cohorte
Enregistrement W2921351411 · doi:10.2166/wqrj.2000.040

Timing of Nitrate Leaching from Turfgrass after Multiple Fertilizer Applications

2000· article· en· W2921351411 sur OpenAlexaffabout
James W. Roy, Gary W. Parkin, Claudia Wagner‐Riddle

Notice bibliographique

RevueWater Quality Research Journal · 2000
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueTurfgrass Adaptation and Management
Établissements canadiensUniversity of GuelphUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésLysimeterLeaching (pedology)Environmental scienceNitrateLoamFertilizerNitrogenGroundwaterSoil horizonInfiltration (HVAC)AgronomyHydrology (agriculture)Soil waterSoil scienceChemistryGeologyGeographyMeteorology

Résumé

récupéré en direct d'OpenAlex

Abstract The leaching of nitrogen from surface-applied fertilizer to groundwater is an environmental concern. Nitrogen fertilizer is routinely applied to turfgrass from spring to late autumn in Canada. The main objective of this study was to determine the contribution of N applied in May, July and September to leaching. The leaching of applied chloride (May and September only) was also monitored and the transport of nitrate and chloride were simulated using the model LEACHM (within EXPRES) to assist in fulfilling the main objective. The accuracy of the model simulation for transport, not nitrogen losses, was also addressed. Field lysimeters (Guelph, Ontario) were packed with a three-horizon profile of a sandy loam soil, topped with Kentucky bluegrass (Poa pratensis) sod and monitored for 1 year. Based on soil water samples taken from suction samplers placed at depths of 10, 17, 29, 43, 54, 64 and 85 cm, part of the solute from spring/summer applications remained in the soil during the unusually dry summer. This residual solute was later transported downward with the ensuing infiltration front in late autumn, building upon the autumn application, resulting in excessive concentrations. Predictions by LEACHM of solute concentration profiles generally were similar to field measurements.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

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 savante0,0010,000
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 Opus0,119
Tête enseignante GPT0,383
Écart entre enseignants0,265 · 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 source (Gemma direct ou Codex distillé), 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

Citations10
Publié2000
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Quality Research JournalMême sujetTurfgrass Adaptation and ManagementTravaux en français237 207