A global meta‐analysis of nitrous oxide emission from drip‐irrigated cropping system
Notice bibliographique
Résumé
Abstract Drip irrigation is a useful practice to enhance water and fertilizer nitrogen (N) use efficiency. However, the use of drip irrigation to mitigate nitrous oxide (N 2 O) emissions in agricultural systems globally is uncertain. Here, we performed a global meta‐analysis of 485 field measurements of N 2 O emissions from 74 peer‐reviewed publications prior to March 2021, to quantify the fertilizer‐induced N 2 O emission factor (EF) of drip irrigation and examine the influencing factors of climate, crop, soil properties, and source and rate of fertilizer N application. The results showed that drip irrigation reduced ( p < 0.05) N 2 O emissions by 32% and 46% compared to furrow and sprinkler irrigation systems, respectively. The overall average EF with drip irrigation was 0.35%, being two‐thirds lower than the IPCC Tier I default value of 1% (kg N 2 O‐N/kg added fertilizer N). The EF was not significantly affected by climate, crop, soil texture, soil organic carbon content, and pH. The EF was also not significantly ( p > 0.05) affected by synthetic N fertilizer source despite a lower numerical value with enhanced efficiency than conventional fertilizers. The EF increased significantly ( p < 0.001) with N addition rate in a binomial distribution. Using the IPCC default EF overestimated N 2 O emissions inventories for drip‐irrigated cropping systems by 7614 and 13,091 Mg per year for China and the globe, respectively. These results indicate that drip irrigation should be recommended as an essential N 2 O mitigation strategy for irrigated crop production.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,000 | 0,003 |
| 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 | 0,001 | 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 ».