Global Land Use Change Impacts on Soil Nitrogen Availability and Environmental Losses
Notice bibliographique
Résumé
Anthropogenic activities, particularly land use change and management practices, alter the global nitrogen (N) cycle. As a central part of the global N cycle, soil N supply from net N mineralization (NNM) and net nitrification (NN) contributes to over 50% of crop N uptake. However, how global land use changes impact soil N supply and potential N loss remains elusive. By compiling a global data set of 1,782 paired observations from 185 publications, we show that land use conversion from natural to managed ecosystems significantly reduced NNM by 7.5% (-11.5, -2.8%) and increased NN by 150% (86, 194%), indicating decreasing N availability while increasing potential N loss through denitrification and nitrate leaching. In contrast, reversing managed to natural ecosystems significantly increased NNM by 20% (9.7, 25.4%) and decreased NN by 89% (-125, -46%), indicating increasing N availability while decreasing potential N loss. Structural equation modeling revealed that land use change induced changes in soil properties, including organic matter content, bulk density, microbial biomass and pH, and anthropogenic activities, including application of ammonium-based fertilizers and manure, were the most important factors regulating NNM and NN. The land use change effect was the strongest in tropical and subtropical regions, where NNM was negatively affected and NN positively affected by land use change. Our findings indicate that increasing soil organic matter content and enhancing soil structural development post land use change can boost soil N supply and reduce the risk for N loss.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».