Predicting greenhouse gas benefits of improved nitrogen management in North American maize
Notice bibliographique
Résumé
Abstract Farmers, food supply companies, and policymakers need practical yet scientifically robust methods to quantify how improved nitrogen (N) fertilizer management can reduce nitrous oxide (N 2 O) emissions. To meet this need, we developed an empirical model based on published field data for predicting N 2 O emission from rainfed maize ( Zea mays L.) fields managed with inorganic N fertilizer in the United States and Canada. Nitrous oxide emissions ranged widely on an area basis (0.03–32.9 kg N ha −1 yr −1 ) and a yield‐scaled basis (0.006–4.8 kg N Mg −1 grain yr −1 ). We evaluated multiple modeling approaches and variables using three metrics of model fit (Akaike information criteria corrected for small sample sizes [AICc], RMSE, and R 2 ). Our model explains 32.8% of the total observed variation and 50% of observed site‐level variation. Soil clay content was very important for predicting N 2 O emission and predicting the change in N 2 O emission due to a change in N balance, with the addition of a clay fixed effect explaining 37% of site‐level variation. Sites with higher clay content showed greater reductions in N 2 O emission for a given reduction in N balance. Therefore, high‐clay sites are particularly important targets for reducing N 2 O emissions. Our linear mixed model is more suitable for predicting the effect of improved N management on N 2 O emission in maize fields than other published models because it (a) requires only input data readily available on working farms, (b) is derived from field observations, (c) correctly represents differences among sites using a mixed modeling approach, and (d) includes soil texture because it strongly influences N 2 O emissions.
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 ».