Reducing nitrate leaching losses from turfgrass fertilization of residential lawns
Notice bibliographique
Résumé
Abstract Fertilizer applications on lawns have raised environmental concerns in many Canadian municipalities. In this greenhouse study, NO 3 –N leaching losses from Kentucky bluegrass ( Poa pratensis L.) lawns were evaluated on two soils (a schist loam and a clay loam) and on a sand/peat moss rootzone mix (80% sand, 20% peat moss). Eight different fertilizer N sources (urea, Polyon 8 and 12‐wk release, Duration 45 and 90‐d release, XCU, corn gluten meal, and UFLEXX) were assessed at five application rates (25–200 kg N ha –1 yr –1 ) and two application frequencies over two 8‐wk trials. Average NO 3 –N concentration in leachate were measured at levels of 3.5, 7.4, and 1.4 mg L –1 from turf grown in loam, clay, and sand respectively, but losses from loam and clay were mostly affected by N mineralization from organic matter. Turf fertilized with rates ≥100 kg N ha –1 generally resulted in acceptable visual quality on both soils, but coated‐urea fertilizers were more efficient to reduce leaching. In sand, UFLEXX and urea (150 and 200 kg N ha –1 ) as well as XCU (200 kg N ha –1 ) resulted in higher NO 3 –N losses, varying from 8.5 to 23.7 mg L –1 , and losses from other N sources were consistently below 3 mg L –1 . Our results show that it is possible to maintain good quality turfgrass while keeping low NO 3 –N leaching losses (i.e., <4 mg L –1 ) in loam, clay, and sand by selecting the ideal combination of N source, N rate, and application frequency.
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) | 0,004 | 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 ».