Above and belowground litter decomposition of cover crops grazed at different intensities
Notice bibliographique
Résumé
Abstract Grazing cover crops may increase land‐use efficiency while promoting sustainability. We investigated how grazing intensity affects cover crop litter quantity, quality, decomposition, and cotton (Gossypium hirsutum L.) N uptake. Cover crops were a mixture of rye (Secale cereale L.) and oat (Avena sativa L.) managed as follows: no grazing +34 kg N ha−1 (NG34), no grazing +90 kg N ha−1 (NG90), heavy grazing (HG), moderate grazing (MG), and light grazing (LG). Grazed treatments received 90 kg N ha−1. After cover crop termination, above‐ and belowground litter was collected and incubated in situ for 0, 4, 8, 16, 32, 64, and 128 days, with cotton plants sampled on the same days to estimate N recovery and synchrony between N release from litter and uptake by cotton. By Day 128, only 13% of initial NG34 aboveground biomass had disappeared, whereas 42% of HG disappeared. Nitrogen retained in aboveground litter of HG was less than NG90 (27 vs. 60 kg N ha−1), and aboveground final N stock (at Day 128) of HG was less than NG90 and LG (16, 47, and 41 kg N ha−1, respectively). Belowground litter contributed 98 kg N ha−1 versus 46 for aboveground. Belowground N disappearance from litter bags was greater from NG90 than NG34 (39 vs. 21 kg N ha−1). Cotton N uptake by Day 128 was similar across treatments (191 kg N ha−1). Grazing cover crops impact aboveground litter quantity, quality, and decomposition rates, and belowground litter plays an important role on the N cycling.
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 | 0,000 | 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) | 0,001 | 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 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 ».