Maan reservikalium ja nurmien kaliumlannoitus
Bibliographic record
Abstract
Sen lisäksi, että kalium on tärkeä nurmien sadonmuodostuksen kannalta, sillä on huomattava vaikutus myös nurmen ravitsemukselliseen arvoon märehtijöiden rehuna. Perinteisesti kaliumlannoitus on perustunut viljavuusanalyysin kaliumlukuun (mg K/l maata; hapan ammoniumasetaattiuutto). Viime vuosina on kertynyt aineistoa, jonka mukaan viljavuuskalium ei näytäkään ennustavan nurmien kaliuminottoa kovin hyvin. Niinpä päätettiin tutkia meta-analyysin avulla, selittääkö maaperän reservikalium (2 M HCl-uutto) paremmin nurmien kaliuminottoa ja lannoitustarvetta. Aineistoon sisällytettiin yhteensä 17 koesarjaa, jotka oli suoritettu nurmenviljelyalueella ja joista oli saatavilla analyysin kannalta välttämättömät maaperätiedot sekä pintamaasta että jankosta (mm. maalajikoostumus, reservikalium, jankon ominaisuudet). Erisuuruisia lannoitustasoja aineistossa oli yhteensä 36 ja kaliumlan-noitus vaihteli välillä 0-320 kg ha-1 v-1. Tärkeimmäksi vastemuuttujaksi valittiin sato. Aineistossa oli hyvin vähän 0-ruutuja, joten lähestymistavaksi valittiin ns. suhteellisen sadon menetelmä. Tämän tarkoituksena oli saattaa eri vuosien ja koepaikkojen sadot toisiinsa nähden paremmin vertailukelpoisiksi. Yksittäisiä satotietueita oli 767. Kunkin kokeen sisällä suhteellista satoa selitettiin kaliumlannoituksella käyttäen satofunktiona joko lineaarista kuvausta tai Mitscherlichin funktioita. Kun kunkin kokeen satofunktio oli ratkaistu, derivoitiin satofunktiot ja laskettiin funktion derivaatan arvo kohdalla 50 kg/ha/v K. Näin eri koesarjat voitiin yhdistää ja verrata kaliumin antamaa sadonlisää kokeen maaperätietoihin korrelaatio- ja regressioanalyyseillä. Lopuksi maa jaettiin reservikaliumin perustella kahteen ryhmään ja ryhmille sovitettiin satovastefunktiot. Reservikalium selitti kaliumlannoituksella saatua nurmien satovastetta selvästi paremmin kuin viljavuuskalium. Jankon reservikalium selitti satovastetta yhtä hyvin kuin pintamaan reservikalium. Reservikaliumpitoisuuden ollessa > 600 mg l-1, kaliumlannoituksen vaikutus satoon oli pieni. Kasvianalyysin K:N-suhde on teoriassa tarkempi kasvianalyysi kuin pelkkä kaliumpitoisuus, mutta tässä aineistossa eroa ei havaittu. Kun ruohon kaliumpitoisuus on 17,5 - 20 g kg-1 ka, saatiin 95 % maksimisadosta. Vastaavat raja-arvot K:N –suhteelle olivat 0,85-0,86. Nurmien kaliumlannoitussuosituksia tulisi tarkentaa. Nurmialueella tulisi suosia maan reservikaliumanalyysiä etenkin, jos rehun kaliumpitoisuus on korkea, mutta maan viljavuuskalium osoittaa lannoitustarvetta. Alhaisen reservikaliumin mailla (< 500 mg K l-1 maata) kaliumlannoitussuositukset voivat perustua viljavuuskaliumiin. Eloperäisillä mailla kaliumlannoitus on erityisen tärkeä. Näillä mailla reservikaliumin pitoisuus on merkittävä vain, jos sitä on pohjamaassa paljon ja pohjamaa on juuriston ulottuvissa. Jos reservikaliumpitoisuus on korkea (> 1000 mg l-1), alhainen viljavuuskaliumin pitoisuus ei ole ongelma ja kaliumlannoituksen hyöty näyttää olevan satunnainen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".