Do Cover Crops Increase Subsequent Crop Yield in Temperate Climates? A Meta-Analysis
Notice bibliographique
Résumé
Cover crops (CCs) are a promising strategy for maintaining and enhancing agroecosystem sustainability, yet CCs’ effects on the subsequent crop yield are highly variable. To quantitatively synthesize the effects of CCs on subsequent crop yield, a meta-analysis of 672 observations collected from 63 recent studies (2015 to 2021) in temperate climates was conducted. Legume CC species increased subsequent crop yield significantly more than grass (by 14%), nonlegume broadleaves (by 7%), and mixtures (by 2%). Incorporation of CC residue into soil increased crop yield by approx. 15% compared to leaving the CC residue on the soil surface. Relative to the no-CC control, the adoption of grass and legume CC species in non-organic vegetable cropping systems enhanced crop yield by 14% and 19%, respectively. Likewise, crop yield with legume CCs in coarse and medium textured soil, and under high precipitation conditions (>700 mm), was significantly greater than the no-CC control by 18%, 4%, and 11%, respectively. Cover crops significantly increased vegetable crop yields and decreased the silage corn yield; however, grain corn, soybean, and winter wheat yield did not decrease with CC. Adoption of CC in no-tillage and plow tillage systems contributed to an increase in crop yield compared to the no-CC control. Our meta-analysis highlights that crop yield response to CC might become more robust when pedo-climatic conditions and agronomic factors are considered.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,037 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».