The effect of agroecosystem management on the distribution of C functional groups in soil organic matter: A review
Notice bibliographique
Résumé
Abstract To improve soil health and to aid in climate change mitigation, the quantity of soil organic matter (SOM) should be maintained or increased over the long run. In doing so, not only the total quantity of SOC but also the stability of SOC must be considered. Stability of SOC increases as a function of resistance to microbial decomposition or microbial substrate use efficiency through chemical, biological, and physical mechanisms including humification, hydrophobic moieties, molecular diversity, and formation of macroaggregates. One of the mechanisms that enhance stability confers changes in the distribution of C functional groups of SOM. To better understand and quantify how these changes are influenced by agricultural management practices, we collected 670 pairwise data from the body of literature that has evaluated changes in the distribution of C functional groups of SOM measured by solid-state 13 C NMR spectroscopy. The types of agricultural managements discussed herein include (1) fertilization, (2) tillage, (3) crop rotation, (4) grazing, and (5) liming practices. Our meta-analyses show that these practices modify the distribution of C functional groups of SOM. Fertilization practices were associated with increased O-alkyl groups. Tillage resulted in increases in the SOC consisted of aromatic and carbonyl groups. Crop rotations, especially legume-based rotations, were found to increase the proportion of aromatic groups. Although there are fewer publications on tillage and crop rotation than on fertilization practices, the distribution of C functional groups may be more influenced by crop rotation and tillage practices than fertilization management—and should be a focus of future research.
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) | 0,001 | 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 ».