MétaCan
Menu
Retour à la cohorte
Enregistrement W2910673667 · doi:10.3390/agronomy9010031

Prospects of Forage Production in Northern Regions under Climate and Land-Use Changes: A Case-Study of a Dairy Farm in Newfoundland, Canada

2019· article· en· W2910673667 sur OpenAlexafffundabout
Marcos R. C. Cordeiro, Alan Rotz, R. Kroebel, K. A. Beauchemin, Derek Hunt, Shabtai Bittman, K. M. Koenig, D. B. McKenzie

Notice bibliographique

RevueAgronomy · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesAgriculture and Agri-Food Canada
Mots-clésForageSilageEnvironmental scienceAgronomyClimate changeProduction (economics)Yield (engineering)PrecipitationLatitudeLegumeAgroforestryGeographyBiologyMeteorologyEcology

Résumé

récupéré en direct d'OpenAlex

Forage production in northern latitudes is challenging and uncertain in the future. In this case-study, the integrated farm system model (IFSM) was used to assess the impact of climate change and cropland expansion scenarios on forage production in a dairy farm in Newfoundland, Canada. Climatic projections indicated increases in temperature in the recent past (1990–2016) and under any future climate (2020–2079), thus enhancing agronomic performance. Temperature increases ranged from 2.8 °C to 5.4 °C in winter and from 3.2 °C to 6.4 °C in spring. Small precipitation increases (<10%) create narrower time windows to perform farm operations in the already stringent condition of excess moisture in the region. Results of land use scenarios including expansions of 20, 30, and 40% in cropland area, out of which 5% was dedicated to corn silage and the remainder to grass-legume mixtures, indicated increased yield and total production. Improvements in grass-legume yield ranged from 8% to 52%. The full range of production increases ranged from 11% to 105%. Increments in corn silage yield ranged from 28% to 69%. Total farm corn silage production increases ranged from 29% to 77%. An attainable cropland expansion of 20% would enable the farm to become self-sufficient in forage production under any climate scenario.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,162
Score d'incertitude au seuil0,187

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,227
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueAgronomyMême sujetClimate change impacts on agricultureTravaux en français237 207