Mineral–Soil–Plant–Nutrient Synergisms of Enhanced Weathering for Agriculture: Short-Term Investigations Using Fast-Weathering Wollastonite Skarn
Notice bibliographique
Résumé
) stands out. Not only does the use of wollastonite lead to rapid pedogenic carbonate formation in soils, it can be readily detected for verification of carbon sequestration, but its weathering within weeks to months influences soil chemistry and plant growth within the same crop cycle of its application. This enables a variety of short-term experimental agronomic studies to be conducted to demonstrate in an accelerated manner what could take years to be observed with more abundant but slower weathering silicates. This study presents the results of three studies that were conducted to investigate three distinct aspects of wollastonite skarn weathering in soils in the context of both agricultural and horticultural plants. The first study investigated the effect of a wide range of wollastonite skarn dosages in soil (1.5-10 wt.%) on the growth of green beans. The second study provides insights on the role of silicon (Si) release during silicate weathering on plant growth (soybeans and lettuce). The third study investigated the effect of wollastonite skarn on the growth of spring rye when added to soil alongside a nitrogen-based coated fertilizer. The results of these three studies provide further evidence that amending soil with crushed silicate rocks leads to climate-smart farming, resulting in inorganic carbon sequestration, as well as better plant growth in agricultural (soybean and spring rye) and horticultural (green bean and lettuce) crops. They also demonstrate the value of working with wollastonite skarn as a fast-weathering silicate rock to accelerate our understanding of the mineral-soil-plant-nutrient synergism of enhanced weathering.
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 | 0,002 |
| 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 ».