Leaching loss of dissolved organic nitrogen from cropland ecosystems
Notice bibliographique
Résumé
Although widely studied in grassland and forest ecosystems, dissolved organic nitrogen (DON), an important form of nitrogen (N) lost through leaching, has received little attention in cropland ecosystem research. A global literature review and partial least squares path modeling (PLS–PM) were adopted to assess the quantity and composition of N leaching loss under different cropping systems, soil types, and management practices, as well as to identify the major factors controlling DON leaching. Annual total dissolved nitrogen (TDN, organic + inorganic N) leaching under different cropping systems ranged from 4.0 to 383.2 kg N ha −1 . Vegetable and rice production systems showed the greatest and least TDN leaching, respectively. Across different cropping systems, DON accounted for 4.7%–34.9% of TDN in leachate. The NH 4 + –N form of N leaching is negligible in most upland cropping systems (<2.3%), but not so in lowland rice systems. The largest ratio of DON leaching to TDN leaching was found in a rice–wheat rotation (34.9%). Catch crop slightly increased DON leaching; however, it greatly decreased TDN leaching. Cropping systems in which animal manure or plant compost was applied or lowland rice was included showed a relatively high DON leaching ratio. Accordingly, in investigating DON leaching, more attention should be focused on cropping systems with manure application or lowland rice systems. Compared with climatic conditions and soil properties, field management practices (irrigation, chemical N input, and manure amendments) proved to be the factors most strongly influencing DON leaching. This suggests that optimizing water and N management practices is the most effective way of reducing the risk of DON leaching and increasing N use efficiency, particularly for vegetable and rice production systems.
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) | 0,001 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».