Does Climate Variability Influence Crop Yield ? - A Case Study of Major Crops in Tamil Nadu
Notice bibliographique
Résumé
This paper has examined the impact of climate variability on crop yields and variance thereof in different agro-climatic zones of Indian state of Tamil Nadu. The results indicate that yields of paddy, maize, cotton and sugarcane benefit from the increase in temperature, while yield of banana benefits from the variation in temperature. The precipitation has a positive effect on the yield of cotton but a negative effect on the yield of maize. The yields of most crops, however,are negatively associated with precipitation intensity (ratio of highest monthly precipitation to annual precipitation). If temperature increases, the variance in paddy yield also increases. Likewise, excess rainfall increases variability in the yields of paddy and sugarcane. With climate change by 2030 the maize yield is expected to decrease by 1.4 per cent in the North-Western zone, 1.5 per cent in the Cauvery Delta zone and 2.7 per cent in the Southern zone. Cotton is likely to suffer more with about 13 per cent decline in yield in the North-Eastern zone, 8.1 per cent in the North-Western zone and 2.1 per cent in the Western zone. Sugarcane yield is likely to decline in Cauvery delta (3.8%) and Southern zone (4.7%) of the state. The study has suggested that appropriate weather-based crop insurance policy should be developed to reduce financial loss to the farmers.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».