Balancing agriculture and environment: Andrew Sharpley's nutrient, soil, and water management legacy
Notice bibliographique
Résumé
Managing agricultural phosphorus (P) to balance food security and water quality priorities is a massive challenge fraught with uncertainty and competing interests. Throughout his career, Andrew Sharpley addressed this challenge by building our understanding of the fundamental principles and processes that control P behavior in agricultural land, developing tools to assess P losses, and then evaluating and refining nutrient, soil, and water beneficial management practices (BMPs). Together with an exceptionally large and diverse group of collaborators, Sharpley developed, tested, refined, calibrated, and validated management practices and risk assessment tools to develop site-specific recommendations for the right practices, in the right places, and at the right times. This approach has resonated globally, with the strategic use of BMPs in "critical source areas" widely implemented in an effort to improve the effectiveness of BMPs while reducing implementation costs. Additional contributions to nutrient management include determining environmental thresholds for soil test P and measuring the risk of P loss from different sources of P (e.g., various manures and commercial fertilizers). Sharpley's work was also distinctly realistic, ensuring that strategies for mitigating P loss were critically evaluated so that not only were the benefits highlighted, but also that trade-offs were measured. Nowhere is this better illustrated than with trade-offs in particulate P loss and dissolved P loss with conservation tillage. This review summarizes Sharpley's enormous contributions to our knowledge of agricultural P stewardship as well as his model of collaborative, multi-disciplinary leadership, helping the world to maintain agricultural productivity and protect water quality.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».