Effect of Manure and Urea Fertilization on Yield, Carbon Speciation and Greenhouse Gas Emissions from Vegetable Production Systems of Nigeria and Republic of Benin: A Phytotron Study
Notice bibliographique
Résumé
Fertility management techniques being promoted in sub-Saharan Africa (SSA) seek to grow indigenous vegetables economically and sustainably. This study was conducted in a phytotron chamber and compared yield, soil carbon (C) speciation and greenhouse gas (nitrous oxide (N2O) and carbon dioxide (CO2)) emissions from SSA soils of two ecoregions; the dry savanna (lna, Republic of Benin) and rainforest (Ife, Nigeria) cultivated with local amaranth (Amaranthus cruentus) under manure (5 t/ha) and/or urea (80 kg N/ha) fertilization. Vegetable yield ranged from 4331 kg/ha to 7900 kg/ha in the rainforest, RF, soils and 3165 kg/ha to 4821 kg/ha in the dry savanna, DS, soils. Yield in the urea treatment was slightly higher compared to the manure, and manure+urea treatment, but the difference was not statistically significant. Cumulative CO2 emissions over 21 days ranged from 497.06 to 579.47 g CO2-C/kg soil/day in the RF, and 322.96 to 624.97 g CO2-C/kg soil/day in the DS, while cumulative N2O emissions ranged from 60.53 to 220.86 mg N2O-N/kg soil/day in the RF, and 24.78 to 99.08 mg N2O-N/kg soil/day in the DS. In the RF samples, when compared to the use of urea alone, the combined use of manure and urea reduced N2O emissions but led to an increase in the DS samples. ATR-FTIR analysis showed that the combined use of manure and manure+urea increased the rate of microbial decomposition in the soils of the DS, but no such effect was observed in soils of the RF. We conclude that combining manure and urea fertilization has different effects on soils of the two ecoregions, and that RF farmers can reduce agricultural N2O emissions without compromising soil productivity and yield potential.
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 | 0,000 | 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 ».