Water Footprint for Pulse, Cereal, and Oilseed Crops in Saskatchewan, Canada
Notice bibliographique
Résumé
The water footprint (WF) of crop production is a friendly approach for the analysis of water resource consumption in agricultural production systems. This study assessed the inter-annual variability of the total WF of three types of main crops, namely, cereal (i.e., spring wheat and barley), oilseed (i.e., canola and sunflower) and pulse (i.e., lentils and chickpea), from the perspective of yield and protein. It also determined the major factors that influence the WFs in Saskatchewan province of Canada. Over the period of 1965–2014, the annual precipitation in Saskatchewan fluctuated considerably but increased slightly with time. The grain yield-based WF ranged between 1.08 and 1.80, 0.90 and 1.38, 1.71 and 2.58, 1.94 and 4.28, 1.47 and 2.37, and 1.39 and 1.79 m3 kg−1; whereas the protein yield-based WF ranged between 7.69 and 10.44, 8.27 and 16.47, 3.79 and 7.75, 4.86 and 11.17, 5.09 and 7.42, and 5.51 and 10.69 m3 kg−1 for spring wheat, barley, canola, sunflower, lentils, and chickpea, respectively. All the WFs of crops generally decreased with time, which could be attributed to precipitation factors. In addition, the scientific and technological progress and agricultural inputs also evidently influenced the grain yield-based WFs of all crops. Pulse crops had a higher grain yield-based WF (an average of 1.59 m3 kg−1 for pulse crops and 1.18 m3 kg−1 for cereal crops) but a lower protein yield-based WF (an average of 6.58 m3 kg−1 for pulse crops and 9.25 m3 kg−1 for cereal crops) than cereal crops. Under conditions of improved protein consumption and healthy living in the future, pulse crops may be a preferred crop.
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 | 0,000 | 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 | 0,000 | 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) | 0,001 | 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 ».