Modelling the effects of climate change, agricultural inputs, cropping diversity, and environment on soil nitrogen and phosphorus: A case study in Saskatchewan, Canada
Notice bibliographique
Résumé
The relative impact of climate change, agricultural inputs, crop diversity, and environment on soil nitrate-N (NO3-N) and labile soil phosphorus (P) has seldom been assessed in the scientific literature. Furthermore crop management of plant nutrients, based on a combination of agricultural inputs and crop diversity, has not been assessed with respect to adaptation to climate change. This modeling study assessed soil NO3-N leaching and labile P simulated with the Environmental Policy Integrated Climate (EPIC) model for historical and future climate scenarios for the Alternative Cropping Systems (ACS) study (1994–2013) in North-Western Saskatchewan, Canada. The EPIC model was updated with 19 years of field management information from the ACS study. The field study was a combination of the three levels of agricultural inputs [organic (ORG), reduced (RED), and high (HI)] and three levels of cropping diversity [low (LOW), diversified annual grains (DAG), and diversified annual & perennial (DAP)]. Recursive partitioning with multivariate analyses of agricultural inputs, cropping diversity, precipitation, growing degree days, and terrain were used to assess changes in NO3-N and P for each climate change scenario. This is the first analysis, with the EPIC model in the Canadian Prairies, of the effects of climate change on NO3-N losses in agricultural runoff, and soil P content in the context of different agricultural input systems in combinations with diversified rotations. NO3-N losses increased by 28% (from 27.1 to 34.7 kg ha−1 y−1), while labile soil P decreased by 12% (from 24.7 to 21.6 kg ha−1 y−1) under climate change, compared to historical weather. Summer precipitation explained 12% of total variation in future NO3-N losses. Combined, input and diversity explained 23% and 20% of variation in NO3-N losses and labile P, respectively. Cropping diversity was most significant, with reduced NO3-N leaching and labile P under climate change, accounting for 22% and 13% of total variation, respectively. Combined, RED inputs and DAG diversity reduced the impact of climate change on NO3-N losses and soil P and may provide a sustainable, adaptive solution for farming with regards to upcoming seasonal variations in temperature and precipitation. The scientific community, decision and policy makers will use this information to develop conceptual and practical farm- and field-scale technologies for producers, in order to adapt to the impact of climate change on agricultural production and the environment, with methodology which can be applied in Canada and other countries.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».