Greenhouse gas emissions and carbon footprint under gravel mulching on China's Loess Plateau
Notice bibliographique
Résumé
Abstract Gravel mulching technology has been widely verified as an effective solution to reduce evaporation and improve crop production on China's Loess Plateau, but its impacts on greenhouse gas (GHG) emissions have not been well documented. This study examined the quantification of the overall GHG emissions via estimating global warming potential (GWP), GHG intensity (GHGI), C footprint (CF), and C intensity (CI) with varying experimental treatments. A 2‐yr consecutive wheat–maize rotation field experiment was conducted through monitoring GHG emissions using a closed‐chamber method with four treatments: CK (control with no mulching), WCK (CK plus 50 mm irrigation), GM (CK plus gravel mulching), and WGM (WCK plus GM). Compared with the CK, gravel mulching significantly decreased soil CO 2 emissions and increased soil CH 4 uptake over both cycles, although patterns of soil N 2 O emissions were controversial. Mixed effects of gravel mulching and irrigation significantly minimized the GWP over both cycles. Compared with the CK, annual GHGI in the WCK, GM, and WGM treatments dramatically decreased by 35.1, 53.7, and 55.9%, respectively, over Cycle 1 and by 16.7, 19.6, and 37.2%, respectively, over Cycle 2. The average CFs in the WCK, GM, and WGM treatments over both cycles were 4.4, 35.0, and 58.7% lower than in the CK, respectively. Gravel mulching had no significant effect on the CI during Cycle 1 but did have a significant effect during Cycle 2. Thus, gravel mulching is a recommended practice to mitigate GHG emissions and enhance the crop productivity on the Loess Plateau of China.
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 | 0,001 |
| 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 ».