Enhancing soil ecological stoichiometry and orchard yield through ground cover management: A meta-analysis across China
Notice bibliographique
Résumé
Ground cover management (GCM) is a critical agricultural practice that influences soil ecological stoichiometry (SES) and orchard productivity. However, its effects on soil carbon (C), nitrogen (N), and phosphorus (P) dynamics and their implications for fruit yield remain poorly understood. This study synthesizes 12,486 paired observations from 415 studies to assess the impact of GCM on soil SES and orchard yield across China. Results indicate that GCM significantly increases soil C (20.0 %), N (15.0 %), and P (13.0 %) concentrations, as well as C:N (4.9 %), C:P (6.6 %), and N:P (2.6 %) ratios, leading to a 13.9 % improvement in fruit yield. The effects of GCM vary with various management practices and environmental factors. Mowing enhances soil C (20.0 %) sequestration and yield (17.4 %) more effectively than no mowing (19.0 % C, 1.9 % yield). A random forest model identifies mean annual precipitation (MAP) and mean annual temperature (MAT) as key climatic drivers of SES and yield, with maximum yield benefits (14.5 %–18.2 %) observed in cooler, drier regions (MAP ≤ 600 mm, MAT ≤ 15 °C). These findings highlight GCM as a sustainable strategy for improving soil health and maintaining orchard productivity under variable climatic conditions. • GCM enhances soil ecological stoichiometry balance and increases fruit yield by 13.9 %. • GCM’s yield benefits are most pronounced in cooler and drier regions (MAP ≤ 600 mm, MAT ≤ 15 ℃). • Leguminous cover crops significantly reduce soil pH, influencing nutrient availability. • Regular mowing enhances soil organic carbon and boosts fruit yield. • GCM serves as a resilient strategy to sustain orchard productivity under extreme climatic conditions.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».