Interactive effects between cover crop management and the environment modulate benefits to cash crop yields: a meta-analysis
Notice bibliographique
Résumé
Several governmental programs have been established throughout Canada to foster agriculture sustainability. As a best management practice, cover crops (CCs) limit soil erosion and prevent nutrient losses in agroecosystems. Yet, the variable effects of CCs on cash crop productivity previously reported may limit their large-scale adoption by farmers. To address this variability, we conducted an unweighted meta-analysis including 2274 observations from 86 field studies conducted under humid temperate climate to evaluate yield response to CCs for three annual cash crops. Overall, CCs increased corn and small grain cereal yields by 13% and 22% respectively, but did not affect soybean yield. Legume CCs alone or mixed with grasses provided the highest small grain cereal and corn yield increases compared with non-legume broadleaf and grass CCs. CC benefits increased with nitrogen (N) content in CC aboveground biomass but decreased when N fertilizer inputs applied to corn exceeded 60 kg N ha −1 . Greater precipitation and N fertilizer inputs reduced the negative effect of grass CCs on corn yield, while benefits of legume CCs were highly resilient to precipitation variations. CC benefits on corn yield increased through time and at low soil organic matter content, especially at low N fertilizer inputs. These results evidence the complex interplay between cash crop productivity, CC management, and environmental factors — related to N inputs from CCs, changes in soil properties (e.g., increased organic matter, improved soil structure or microbial activity), or potential competition for water under drier conditions — which provide new perspectives to promote CC inclusion in cropping systems.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».