Soil Greenhouse Gas Fluxes From Maize Production Under Different Soil Fertility Management Practices in East Africa
Notice bibliographique
Résumé
Abstract In sub‐Saharan Africa (SSA), few studies have quantified greenhouse gas (GHG) emissions following application of soil amendments, for development of accurate national GHG inventories. Therefore, this study quantified soil GHG emissions using static chambers for two maize cropping seasons (one full year) of four different soil amendments in the central highlands of Kenya. The four treatments were (i) animal manure, (ii) inorganic fertilizer, (iii) combined animal manure and inorganic fertilizer, and (iv) a no‐N control (no amendment) laid out in a randomized complete block design. Cumulative annual soil fluxes (February 2017 to February 2018) ranged from −1.03 ± 0.19 kg CH 4 ‐C ha −1 yr −1 from the manure inorganic fertilizer treatment to −0.09 ± 0.03 kg CH 4 ‐C ha −1 yr −1 from the manure treatment, 1,391 ± 74 kg CO 2 ‐C ha −1 yr −1 from the control treatment to 3,574 ± 113 kg CO 2 ‐C ha −1 yr −1 from the manure treatment, and 0.13 ± 0.08 to 1.22 ± 0.12 kg N 2 O‐N ha −1 yr −1 in the control and manure treatments, respectively. Animal manure amendment produced the highest cumulative CO 2 emissions ( P < 0.001), N 2 O emissions ( P < 0.001), and maize yields ( P = 0.002) but the lowest N 2 O yield‐scaled emission (YSE) (0.5 g N 2 O–N kg −1 grain yield). Manure combined with inorganic fertilizer had the highest cumulative CH 4 uptake ( P < 0.001) and N 2 O YSE (2.2 g N 2 O–N kg −1 grain yield). Our results indicate that while the use of animal manure may increase total GHG emissions, the concurrent increase in maize yields results in reduced yield‐scaled GHG 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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».