Managing Fertigation Frequency and Level to Mitigate N2O and CO2 Emissions and NH3 Volatilization from Subsurface Drip-Fertigated Field in a Greenhouse
Notice bibliographique
Résumé
Agricultural practices such as water and N management can contribute to greenhouse gas (GHG) emissions. Fertigation frequency and level are the two most important factors of irrigation scheduling. Proper irrigation management can establish moderate moist conditions throughout the crop growth period in the root zone and reduce GHG emissions and NH3 volatilization. The main objective was to evaluate the possibility of reducing soil N2O and CO2 emissions and NH3 volatilization without crop yield reduction by manipulating the subsurface-drip fertigation (SDF) frequency and level. An experiment was carried out adopting three SDF frequencies, High-Frequency (7-day, HF), Medium-Frequency (8-day, MF), and Low-Frequency (10-day fertigation intervals, LF), and two irrigation levels, 80% (I80) and 70% (I70) of amount in farmer’s common practice (1500 m3 ha−1). Urea, N > 46.2% at the rate of 90% of traditional fertilization level (270 Kg N ha−1) was injected with irrigation water. Results indicated that soil N2O, CO2, NO3−-N, NO2−-N, and water-filled pore space increased with fertigation frequency and an opposite pattern for NH4+-N and NH3. HF significantly (p < 0.05) increased crop yield by 45.1% and 49.2% compared to LF, under I80 and I70 levels, respectively. At the same irrigation level, HF was the optimum management practice. Person correlation analysis showed significant correlations between NO2−-N and N2O, CO2 and soil temperature, and NH4+-N and NH3. The study suggests that HF of SDF with emitters buried at 0.15 m depth helps to keep high Chinese cabbage yield increases GHG emissions, but is not significant, and decreases NH3 volatilization.
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 | 0,000 | 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 ».