Agroecosystem modeling of reactive nitrogen emissions from U.S. agricultural soils with carbon amendments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Fertilizer-intensive agriculture is a leading source of reactive nitrogen (Nr) emissions that damage climate, air quality, and human health. Biochar has long been studied as a soil amendment, but its influence on Nr emissions remains insufficiently characterized. More recently, the pyrolysis of light hydrocarbons has been suggested as a source of hydrogen fuel, resulting in a solid zero-valent carbon (ZVC) byproduct whose impact on soil emissions has yet to be tested. We incorporate carbon amendment algorithms into an agroecosystem model to simulate emission changes in the year following the application of biochar or ZVC to the US. fertilized soils. Our simulations predicted that the impacts of biochar amendments on Nr emissions would vary widely (− 17% to + 27% under 5 ton ha −1 applications, − 38% to + 18% under 20 ton ha −1 applications) and depend mostly on how nitrification is affected. Low-dose biochar application (5 ton ha −1 ) stimulated emissions of all three nitrogen species in 75% of simulated agricultural areas, while high-dose applications (20 ton ha −1 ) mitigated emissions in 76% of simulated areas. Applying zero-valent carbon at 20 ton ha −1 exhibited similar effects on nitrogen emissions as biochar applications at 5 ton ha −1 . Biochar amendments are most likely to mitigate emissions if applied at high rates in acidic soils (pH < 5.84) with low organic carbon (< 55.9 kg C ha −1 ) and inorganic nitrogen (< 101.5 kg N ha −1 ) content. Our simulations could inform where the application of carbon amendments would most likely mitigate Nr emissions and their associated adverse impacts. Graphical Abstract
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.
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 découle