Quantifying Spatio-Temporal Patterns of Rice Yield Gaps in Double-Cropping Systems: A Case Study in Pearl River Delta, China
Notice bibliographique
Résumé
Quantifying the contributing and limiting factors of yield potential is of vital importance, and the closure of existing yield gaps on currently available agricultural land is regarded as the most effective measure to meet future food demands. In this study, the CERES-Rice model and long-term rice yield records of 12 sites from 1981 to 2010 were combined together to investigate the spatial and temporal distributions of yield potential, yield attainable, yield actual, and yield gaps for double cropping rice in the Pearl River Delta (PRD), China. The evaluated yield potential of all the sites ranged from 7500 to 14,900 kg/ha, while yield attainable was from 6400 to 12,665 kg/ha, and yield actual was from 4000 to 7000 kg/ha. The yield gaps between yield potential and yield actual, yield potential and yield attainable, and yield attainable and yield actual were projected to be 3500 kg/ha, 1400 kg/ha, and 2100 kg/ha, respectively. The decrease of yield potential was due to the increasing temperature for early mature rice and the prolonged sunshine hours for the yield potential of late mature rice, respectively. The social–economic impacts of yield actual were also assessed, and adaptive measures were simulated so that the yield would certainly increase.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».