Ammonia volatilization, nitrous oxide emissions, and corn yields as influenced by nitrogen placement and enhanced efficiency fertilizers
Notice bibliographique
Résumé
Abstract Ensuring sufficient fertilizer nitrogen (N) for crops while minimizing N losses requires best management practices optimized for climate, crop, soil, and root zone hydrology. In Ontario, pre‐plant N fertilization of corn ( Zea mays L.) is common; however, this practice extends the time between application and significant root interception of N by the plant, potentially increasing the risk of N loss through soil nitrous oxide emissions, ammonia (NH 3 ) volatilization, and nitrate leaching. These losses contribute to greenhouse gas emissions, affect air quality (NH 3 ), and are a substantial financial loss. This study compared three N placement methods (broadcast urea [BrUrea], broadcast incorporated urea [BrIncUrea], and injected urea ammonium nitrate [InjUAN]) and the presence or absence of N metabolite inhibitors (urease inhibitor [UI], urease plus nitrification inhibitor [UI+NI]). Fertilizer N was applied immediately before planting (150 kg N ha −1 ) to all treatments except for the control. Averaged over 3 yr (2015–2017), NH 3 losses were reduced by 34% from BrIncUrea, by 42–55% from BrUrea+UI+NI and BrIncUrea+UI+NI, and by 99% from InjUAN relative to BrUrea (21 kg N ha −1 ). On average, N application increased corn grain yields by 83% relative to the control (6 t ha −1 ). There were no annual yield differences among N placement methods. It was concluded that incorporation or injection of N in soil and use of urease and nitrification inhibitors reduced NH 3 emissions when N fertilizer was applied pre‐plant.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| 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 ».