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 −1 and 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 m 3 Mg −1 , with an average of 695 m 3 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 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 | 0,000 |
| 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 ».