Combining optimized irrigation with reduced N fertilization increases wheat N use efficiency by increasing soil N cycling and plant N uptake
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the aim of maximizing nitrogen use efficiency (NUE) of wheat in the North China Plain by optimizing irrigation and nitrogen application, a field experiment with a split-plot design was conducted. The main plots were subjected to three irrigation levels: bringing soil water content in the 0–40 cm profile to 65% (I1), 75% (I2) and 85% (I3) of field water capacity. The subplots were subjected to three nitrogen application rates: 150 (N150), 210 (N210) and 270 (N270) kg N ha −1 . Compared with the N270, N210 treatment enhanced grain yield, NUE, and net income by 4.5%, 6.2%, and 5.8%, respectively (two-year averages). Additionally, it reduced soil nitrate reductase activity, the abundance of denitrification-related bacteria, and loss rate of fertilizer nitrogen by 12.9%, 53.3%, and 16.3%, respectively. Compared with the N150, N210 treatment increased grain yield, grain nitrogen accumulation, and net income by 15.9%, 14.2%, and 26.3%. Relative to I1 and I3, I2 treatment increased root length density in the 20–60 cm soil layer, uptake rate of fertilizer nitrogen, grain yield, and net income. Overall, the combination of irrigation to 75% of field capacity with nitrogen application at 210 kg N ha −1 increased wheat’s capacity for nitrogen uptake and remobilization and thereby grain nitrogen accumulation, and increased NUE by reducing nitrogen loss rate.
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.
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 découle