Interactive effects of crop types and nitrogen sources on N2O emissions in a cool humid climate
Notice bibliographique
Résumé
Abstract Aims Perennial forages in rotation with annual crops can improve agricultural resilience by increasing soil organic carbon. However, how nitrogen (N) sources interact with rotation diversity to influence soil nitrous oxide (N 2 O) emissions is not well understood. Methods During three snow-free seasons, N 2 O emissions, crop yields, and ancillary variables were measured at three experimental sites with contrasting soil textures (silty clay and sandy loam) in eastern Canada. Using a split-plot design, we compared a corn ( Zea mays L.)-soybean ( Glycine max [L.] Merr.)-corn rotation and a mixed perennial grass sward receiving N via: i) mineral fertilizer (MIN), ii) liquid dairy manure (LDM), and iii) inclusion of alfalfa ( Medicago sativa L.) to the perennial forages with no additional N (LEG). Results When summed across sites over all three years, cumulative N 2 O emissions were greater for LDM than MIN in annual crops (8.75 ± 1.63 and 5.15 ± 0.96 kg N 2 O-N ha –1 , respectively), but not in perennial grasses (2.95 ± 0.55 and 3.76 ± 0.70 kg N 2 O-N ha –1 , respectively). When comparing N sources within each crop type over the three years, MIN generated greater yields than LDM in annual and perennial crops, but lower yield-scaled N 2 O emissions than LDM in annual crops only. During forages post-seeding years, area- and yield-scaled N 2 O emissions induced by LDM and LEG were lower than MIN. Conclusion Our results suggest that for a cool humid climate using LDM or LEG in perennial forages and MIN on annual crops can reduce overall N 2 O emissions, while generating similar or lower yield-scaled emissions.
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) | 0,000 | 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 ».