Extreme Temperature Events and Rice Production in Bangladesh
Notice bibliographique
Résumé
The extreme climatic events are increasing because of climate change impacts and thus likely to influence global agricultural production. Regional assessments on various abiotic factors and its influences on biological entities in diverse geographic locations are needed for understanding uncertainties. Rice grain yields and daily temperature data from 1971–2015 were used to quantify extreme temperature events in different regions of Bangladesh and their impacts on rice yields growing in three seasons of Bangladesh. The regional averaged trends in temperature extremes were consistent with global warming. The occurrence summer days (SU), tropical nights (TR), warm days (TX90), and nights (TN90) and a warm spell duration indicator (WSDI) increased by 0.388 (P0.00001), 0.103 (P0.19), 0.520 (P0.00000), 0.269 (P0.0004), 0.147 (P0.0001), days yr-1, respectively. The frequencies of cold days (TX10) and nights (TN10), and cold spell duration indicator (CSDI) showed decreasing trends of −0.143 (P0.0006), −0.254 (P0.001), and −0.04 (P0.227) day yr-1, respectively. Sharp increases of TR and TN90 indices took place in 1985–2000. Principal component analysis showed that SU, TX90, TN90, WSDI, TX10, TN10 and diurnal temperature range (DTR) were the main influencing factors for seasonal variations in rice yield. Warm and cold nights played a vital role in reducing rice yields. It can be concluded that extreme temperature events will be increased in Bangladesh and thus necessitating heat and cold tolerant rice varieties with appropriate management options for sustained future rice production in Bangladesh.
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 | 0,001 | 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) | 0,000 | 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 ».