Improvements in maize N recommendations decreased carbon dioxide equivalence without sacrificing yield
Notice bibliographique
Résumé
Abstract Globally, agricultural scientists are challenged with creating, testing, and validating climate‐smart nutrient strategies that reduce greenhouse gas emissions while increasing food security. This study determined maize ( Zea mays L.) N recommendations and bias for N‐rate studies conducted in South Dakota using models created for western Minnesota, Iowa, Eastern North Dakota, Nebraska, and South Dakota. From 2019 to 2021, 16 N rate studies were conducted in long‐term no‐tillage (>6 years) fields located in South Dakota. In the randomized block replicated study, the soils were mollisols that were derived in a semi‐arid frigid environment. The economic optimum N rates were calculated using four fertilizer‐to‐maize grain price ratios (4.11, 5.48, 6.85, and 8.23 [$ (kg N) −1 ] [$ (kg grain) −1 ] −1 ). Analysis showed that reducing the yield goal coefficient used in the South Dakota model from 21.4 to 17.9 kg N (Mg grain) −1 reduced the recommended N rate but did not reduce yield. The reduced yield goal coefficient that considered the fertilizer‐to‐maize price ratio also reduced model root mean square error (RMSE), bias, and the estimated partial carbon dioxide equivalence (CO 2e ) by at least 18%. Nitrogen recommendation models developed for western Minnesota, Iowa, and South Dakota had similar RMSE, bias, and fertilizer recommendations, and adjusting the recommendation based on expected fertilizer cost and maize selling price improved accuracy. This study suggests that yield was not sacrificed by reducing the coefficients from 21.4 to 17.9 kg N (Mg grain) −1 and that recommendations are improved by considering the fertilizer‐to‐maize grain price ratio.
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 | 0,000 | 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 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 ».