Liming remediates soil acidity and improves crop yield and profitability - a meta-analysis
Notice bibliographique
Résumé
Soil acidity reduces base cations required for plant growth and may result in phytotoxic concentrations of soluble aluminum. Liming acidic soils is generally promoted as an effective management practice to increase soil pH, base cation concentrations, and ameliorate toxicity caused by aluminum and manganese. Through a global literature review using data published from field experiments on liming, the objective of this paper is to understand the effects of liming on soil pH, crop yields, and economic profitability. The results show that liming positively influenced crop yields and soil pH, implying that various lime sources can increase soil pH and crop productivity. The effect sizes of liming on crop yields when lime was incorporated into soils were higher than surface application irrespective of tillage practice. Liming under no-tillage (NT) compared to conventional tillage (CT) management showed higher effect sizes for crop yields. Liming increased effect sizes for crop yields in fertilized compared with unfertilized trials. Gypsum, calcium hydroxide and calcium carbonate showed higher effect sizes when compared with Cement Klin Dust (CKD), dolomite and wood ash. The results show that liming increased yields for all crops except potatoes and oats. Liming generally increases soil pH and changes in soil pH increased with higher lime application rates and yield increases were proportional to the magnitude of increases in soil pH. The profitability of liming differed with crop type and liming rate, being more profitable at lower liming rates. Overall, this meta-analysis shows that liming decreases soil acidity and improves crop yields. Attaining maximum gains from liming agricultural crops under acidic soil conditions requires an understanding of the appropriate lime rates required for specific crops and soil types to ensure overall profitability for producers and sustainable improvement of soil health.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,025 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».