Onderzoekers die een 30-jarig maïs-sojabonen-tarwe-rotatie-experiment in Michigan analyseerden, ontdekten dat het tijdstip waarop de bodembedekkers werden beëindigd en de luchttemperatuur de sterkste voorspellers waren van de beschikbaarheid van stikstof in de bodem in agro-ecosystemen met bodembedekking, waardoor telers nieuwe inzichten kregen in het beheersen van de stikstofafgifte voor de maïsproductie.
Het onderzoek, uitgevoerd op de Kellogg Biological Station Long{0}}Term Ecological Research-site, maakte gebruik van willekeurige machine learning-modellen uit bossen om de dynamiek van de stikstofmineralisatie te onderzoeken in verminderde- input- en organische teeltsystemen tussen 1990 en 2020. Onderzoekers ontdekten dat anorganische stikstof in de bodem, met name nitraat (NO3−-N), snel toenam na beëindiging van de oogst van de peulvruchtenbedekking en doorgaans ongeveer 50 dagen later een piek bereikte, vooral wanneer de gemiddelde dagelijkse temperatuur hoger werd 12 graden.
Het onderzoek richtte zich op gewassen met rode klaver die worden gebruikt in maïsproductiesystemen en onderzocht hoe de weersomstandigheden, de biomassa van de gewassen, het bodemvocht en de managementpraktijken de stikstofafgifte beïnvloedden. Volgens de bevindingen waren de dagen na het beëindigen van de bodembedekker consequent de belangrijkste factor die zowel de beschikbaarheid van nitraat als ammonium beïnvloedde, terwijl de temperatuur in de meeste modellen op de tweede plaats kwam. Uit het onderzoek bleek dat de stikstofafgifte werd veroorzaakt door de interactie van deze factoren en niet door een enkele variabele alleen.
Onderzoekers zeggen dat de bevindingen boeren kunnen helpen de stikstofafgifte uit bodembedekkers beter te synchroniseren met de vraag naar gewassen, waardoor de afhankelijkheid van synthetische meststoffen mogelijk wordt verminderd en de milieueffecten zoals nitraatuitspoeling en lachgasuitstoot worden verminderd. Uit het onderzoek bleek ook dat de nitraatconcentraties in de bodem over het algemeen een piek bereikten tijdens de snelle groeifase van het maïsgewas, voordat ze daalden naarmate planten stikstof absorbeerden.
De machine learning-modellen verklaarden ongeveer 35% van de variatie in de nitraatniveaus in de bodem over onafhankelijke groeiseizoenen, terwijl de voorspellingsnauwkeurigheid voor ammoniumniveaus lager was. Ondanks verschillen in productiviteit tussen de verminderde-input- en organische systemen, vertoonden beide systemen een vergelijkbare seizoensgebonden stikstofdynamiek, wat erop wijst dat temperatuur en timing een dominante rol spelen bij de stikstofmineralisatie, ongeacht de managementbenadering.
Onderzoekers merkten op dat de biomassa van bodembedekkers zelf een zwakkere invloed had op de beschikbaarheid van stikstof dan verwacht, waarschijnlijk omdat de biomassaniveaus tussen de jaren relatief weinig varieerden in vergelijking met de weersomstandigheden. Ze voegden eraan toe dat toekomstig werk waarbij empirische gegevens worden geïntegreerd met proces{1}}gebaseerde modellen de voorspellingen voor verschillende bodems en klimaten zouden kunnen verbeteren.
Het onderzoek werd geleid door Rabin KC samen met co-auteurs G. Philip Robertson en Sieglinde Snapp. De financiering werd verstrekt door het National Science Foundation Long-Term Ecological Research Program, het USDA Long-Term Agroecosystem Research-programma en Michigan State University AgBioResearch.
