Towards an improved representation of the relationship between root traits and nitrogen losses in process-based models
Notice bibliographique
Résumé
CONTEXT Nitrogen (N) application to crops is crucial to feed an increasing world population. Yet, much of this N is not taken up by crops, initiating a cascade of N losses with dire environmental and economic consequences. There is, therefore, a need to develop crops with traits that make them use N more efficiently, thereby reducing N losses. Process-based models have been used to design in-silico crops with desirable traits to maximize yield and increase climate resiliency, but few have been used with the perspective of reducing N losses. OBJECTIVE To examine the way process-based models capture interactions between root traits and N losses, and propose opportunities to improve model representation of observed relationships. METHODS We synthesize the current knowledge on the relationships between plant traits and N losses based on experiments reported in the literature, conduct a survey of process-based models simulating crop growth and N losses, and run a sensitivity analysis with selected models (DSSAT, APSIM, DNDCvCAN, Daisy). RESULTS AND CONCLUSIONS The results show that the relationships between root traits and N losses can be very strong in experiments, but model simulations do not capture the magnitude of these associations well. This is mainly due to the lack of a robust representation of the plant root mechanisms influencing N losses. Suggested model improvements include designing new functions to link root traits with key N-cycling processes supported by experimental evidence – such as root exudation of various compounds including biological nitrification inhibitors – and using easily observable morphological traits in process-based models as proxies to predict changes induced by plants on N-cycling by soil microbial communities. SIGNIFICANCE This work represents a key step towards designing novel root function-based ideotypes adapted to reduced fertilizer inputs while maintaining the same level of yield, and that is, therefore, potentially less harmful to the environment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».