Nitrogen leaching and grey water footprint affected by nitrogen fertilization rate in maize production: a case study of Southwest China
Notice bibliographique
Résumé
Abstract BACKGROUND Effective nitrogen (N) management measures are required to control environmental problems caused by N fertilizer use in intensive maize production systems. Soil N losses associated with high precipitation and over‐fertilization in maize production can cause substantial environmental problems, whereas there is a lack of quantitative data and effective study countermeasures. A 2‐year field study was conducted in the subtropical maize production system in Southwest China to quantify N leaching under varying N application rates of 0, 90, 180, 270 and 360 kg N ha−1 yr−1. RESULTS The results indicated that N leaching accounted for 16–38% of N fertilizer input. For farmer practice treatment (360 kg N ha−1 yr−1), N leaching loss was high at 110 kg N ha−1 yr−1and accounted for 31% of the N applied. As an indicator of the ambient water quality pollution, the grey water footprint across all treatments ranged from 376 to 1092 m3 Mg−1, with an average of 695 m3 Mg−1. Reducing N rate to agronomically optimized treatment (180 kg N ha−1 yr−1) significantly decreased N leaching by 77%, and maintained high grain yield of 8.1 Mg ha−1. The grey water footprint was reduced by 52–63% with N rates from 270 or 360 kg N ha−1 yr−1 to 180 kg N ha−1 yr−1. CONCLUSION Nitrogen surplus (applied N rate minus N uptake by maize) resulted in higher soil residual nitrate concentration and consequently high N leaching. High precipitation and low soil pH were the main ecological factors leading to high N leaching. © 2021 Society of Chemical Industry.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».