Increasing crop diversity in wheat rotations increases yields but decreases soil health
Notice bibliographique
Résumé
Abstract Demand for food is rising and the ability of any particular soil to support sustainable food production is dependent upon a variety of soil biochemical, chemical and physical soil parameters. However, the challenge is that the impacts of a new management practice on soil properties may take years to assess. In this field study, we investigated the effects of long‐term cropping rotation treatments (established in 2001) on soil health indicators from soils under monoculture, 2‐yr and 3‐yr crop rotations with and without a cover crop. In particular, we compared soil heath indicators under eight cropping sequences including continuous winter wheat ( Triticum aestivum L.) (WW), soybean ( Glycine max L.)–winter wheat (S–WW), corn ( Zea mays L.)–soybean–winter wheat (C–S–WW), and winter wheat–soybean–soybean (WW–S–S) all with and without red clover ( Trifolium pretense L.) (RC) in the wheat phase of the rotation. We measured ten soil health indicators collected from the wheat phase of the rotation. Crop rotation had greater effects on soil health indicators than cover crop. After 17 years, crop yields were 23–28% greater for the 2‐yr and 3‐yr rotations than monoculture WW in the presence of red clover. In the absence of red clover, yields were 32–39% greater for the 2‐yr and 3‐yr rotations than monoculture WW. However, the soil health indicators were significantly greater for monoculture WW than the 2‐yr and 3‐yr rotations. These results suggest WW enhanced soil health while crop rotations with soybean negatively impacted most biochemical soil health parameters.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».