Footprints of corn nitrogen management on the following soybean crop
Notice bibliographique
Résumé
Abstract Corn ( Zea mays L.)–soybean [ Glycine max (L.) Merr.] is among the most typical crop rotations in the U.S. Corn Belt, and N is the most limiting nutrient for both crops. This study aims to assess the effects of N management for corn on the following soybean crop. Two corn–soybean rotation N fertilizer rate studies—a long‐term study (1983–2020, Case Study I) and a two‐season study (2019–2020, Case Study II)—were conducted in Kansas (United States). Case Study I focused on soybean seed yield as the response variable, whereas Case Study II included a detailed seasonal characterization of soil N, symbiotic N fixation (SNF), and plant N uptake for soybean considering N fertilizer rates on the previous corn crop. Apparent N budgets from corn (N fertilizer minus grain N removal) ranged from approximately −100 to approximately +50 kg N ha −1 , and soybean yields were slightly or not affected by corn N management. Case Study I showed that long‐term N budgets in corn crops did not affect the following soybean crop yields. In Case Study II, the previous corn N management produced negative or small N surplus that influenced neither soil residual N nor SNF, without compromising soybean productivity. Farmers applying close to economic optimum N rates on corn will likely not generate scenarios of N surplus to compromise SNF or soybean yields. Forthcoming research should further address how long‐term and large soil N mining or surplus in corn may enhance or inhibit N fixation for the next soybean crop.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».