Accounting for differences between crops and regions reduces estimates of nitrate leaching from nitrogen-fertilized soils
Notice bibliographique
Résumé
Nitrate (NO3−) leaching from nitrogen (N) fertilized soils is a significant global concern, affecting both the environment and public health. However, substantial uncertainties and variabilities in NO3− leaching factors (LFs) among regions or crops impede accurate assessments of NO3− leaching. Here we synthesize 2500 field observations worldwide and show that LFs vary by an order of magnitude across regions and crops, primarily driven by hydroclimatic and edaphic conditions rather than N fertilizer management. Global cropland NO3− leaching from synthetic N fertilization, calculated through spatially explicit (15.4, 14.8–16.1 Tg N yr–1) and crop-specific (12.9, 11.0–14.8 Tg N yr–1) LFs, is 41% lower than the Intergovernmental Panel on Climate Change Tier 1 global inventory. Over 47% of this leaching is concentrated in China, India, and the United States, with maize, wheat, rice and vegetables accounting for nearly half of it. Improved regional and crop-specific LFs will provide a benchmark for NO3− leaching abatement by pinpointing potential global hotspots. Almost half of globally leached nitrate from nitrogen-fertilized soil is released in China, India, and the United States, according to a meta-analysis covering 2500 field observations worldwide.
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 ».