Impact of organic fertilizers on crop yield, soil carbon stock and greenhouse gas fluxes from corn-soybean agroecosystems
Bibliographic record
Abstract
Les déchets organiques municipaux transformés en engrais organiques peuvent remplacer les engrais minéraux pour soutenir la production agricole et le stock de carbone organique du sol (COS), mais peuvent induire des émissions de gaz à effet de serre (GES) du sol, selon les propriétés physicochimiques des engrais organiques. Ce projet a évalué l’effet de trois engrais organiques sur les rendements du maïs (Zea mays L.) et du soja (Glycine max L.), du stock de COS (0 à 20 cm) et des flux de GES du sol. Les engrais organiques étaient les déchets alimentaires compostés (compost; 240 kg N/ha), lisier biosolides LysteGro (LysteGro; 215 kg N/ha) et digestat anaérobie liquide (digesta; 231 kg N/ha), ainsi qu’un contrôle des engrais minéraux (NPK; 170 kg N/ha). Les engrais ont été appliqués une fois au début de la rotation maïs-soja au Centre Emile A. Lods de Recherche et Agronomie (Lods), Ste-Anne-de-Bellevue (Québec) (8,4 – 14,2 g COS /kg, loam sableux) et à la Station de Recherche d’Elora (Elora), Elora (Ontario) (21,3 – 30,8 g COS /kg, loam limoneux). Les rendements du maïs et du soja étaient similaires avec chaque traitement d’engrais et proches des moyennes régionales, ce qui indique une performance agronomique satisfaisante de tous les engrais organiques. Les stocks de COS sont restés similaire après l’application exceptionnel d’engrais organiques. Les effets transitoires (pendant un mois suivant l’application des engrais) sur les flux de N2O n’ont pas entraîné à des différences significatives entre les émissions cumulatives de N2O et de CO2 pendant la saison de croissance. Les flux de méthane étaient proches de zéro dans toutes les années de site. De plus, l'effet à long terme de ces engrais organiques sur les rendements des cultures, le stock de COS et les émissions de N2O du sol sous deux scénarios climatiques futurs (RCP4.5 et RCP8.5) de 2018 à 2070 a été simulé à l'aide du modèle DayCent après calibrage du modèle avec deux saisons de données de terrain. DayCent a prédit que l’application de digestat produirait le rendement d’ensilage de maïs le plus élevé (25 – 28 % plus élevé que le NPK en moyenne) alors que le compost produirait le rendement le plus élevé de grain de soja (2,8 – 4,4 % plus élevé que NPK) aux deux sites. DayCent prévoyait que l’application de compost accumulerait le plus de COS et qu’elle aurait les intensités de gaz à effet de serre les plus faibles (GESI, en t CO2-eq/t C récolté) jusqu’à ce que les stocks de COS atteignent un état d’équilibre en 2040. Bien que le compost riche en matière organique semble d’être une meilleure option d’atténuation des GES pour les 20 prochaines années, le digestat pourrait produire des rendements plus élevés de maïs avec moins d’émissions de N2O jusqu’à la fin de 2070. En résumé, ces engrais organiques répondaient aux besoins agronomiques à court terme et on prévoyait des résultats agroécologiques supérieurs à ceux des engrais NPK à long terme
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".