Optimising Water and Nitrogen Management for Drip‐Irrigated Maize in Oasis Farmland With Shallow Groundwater
Notice bibliographique
Résumé
ABSTRACT Nitrogen (N), typically supplied through fertilisers, is essential for enhancing agricultural productivity, but over‐fertilisation—particularly in soils with high initial soil mineral nitrogen (N ISM )—can lead to nutrient pollution of both soil and water. In regions with shallow groundwater, optimising N application is essential yet understudied, particularly in balancing environmental protection and yield maximisation. To address this gap, field experiments were conducted in China's Mu Us Sandy Land in 2019 and 2021, with a pause in 2020. The 2019 study evaluated the effects of a 200 kg N ha −1 fertilisation rate on soil water dynamics, N behavior, and spring maize growth, whereas the 2021 drip‐irrigated trial tested a base rate of 73 kg N ha −1 supplemented with six additional N rates (0, 100, 150, 200, 250, and 300 kg N ha −1 ). Using the collected field data, a WHCNS soil‐crop model was developed, calibrated with 2019 data—including soil moisture, soil N concentration, and leaf area index—from the 200 kg N ha −1 treatment, and validated across all 2021 treatments. The model, highly sensitive to crop parameters, was further optimised using PEST to improve accuracy and then used to simulate the impacts of various water and N management strategies on water use, N fate, and crop growth under shallow groundwater conditions. Simulations revealed that high N ISM levels reduced the benefits of additional N for maize yield and resource use efficiency, whereas low N ISM conditions responded positively to increased N applications. An optimal N application rate of 200–250 kg N ha −1 , paired with a total water input of 473–516 mm, was identified as the most effective for maximising yield while minimising water and N losses.
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 ».