Soil moisture gradients shape microbial communities and influence cranberry yield: a case study on subirrigation
Notice bibliographique
Résumé
Water management is vital in cranberry farming, balancing plant needs and supporting flood-based harvesting. This study examines subirrigation, a technique that reduces water use and enhances yields, by utilizing natural soil moisture gradients in two fields to assess its effects on yield and soil bacteria. Considering 166,551 observation points collected over four years, we confirmed significant differences in soil moisture between the eastern and western sides of the fields, with lower water table depths on the subirrigated sides. Using 16 S rRNA sequencing, we examined soil bacterial communities, focusing on nitrogen cycling. Subirrigated areas, with lower moisture levels, showed higher cranberry yields (up to 45.67 t/ha) and a greater abundance of beneficial bacteria such as Burkholderia and Arthrobacter. The results also suggest an increase in predicted bacterial genes linked to nitrogen mineralization, denitrification, and nitrate assimilation as soil moisture levels rise, which, notably, correlates negatively with cranberry yield. Conversely, DNRA (nirD) and ANRA (NasA and NasB) genes appear to be indirectly favored in environments with lower soil moisture. Our findings not only shed light on the intricate relationships between bacterial genera, nitrogen metabolism, and environmental factors but also underscore the potential of sustainable agricultural practices in enhancing soil health.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».