MétaCan
Menu
Retour à la cohorte
Enregistrement W2939800473 · doi:10.3390/su11082372

Assessing Potential Climate Change Impacts and Adaptive Measures on Rice Yields: The Case of Zhejiang Province in China

2019· article· en· W2939800473 sur OpenAlexaff
Yahui Guo, Wenxiang Wu, Mingzhu Du, Christopher Bryant, Yong Li, Yuyi Wang, Han Huang

Notice bibliographique

RevueSustainability · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensUniversity of GuelphUniversité de Montréal
Organismes subventionnairesNational Key Research and Development Program of ChinaChinese Academy of Sciences
Mots-clésClimate changeEnvironmental scienceCultivarBaseline (sea)AgricultureRepresentative Concentration PathwaysSowingChinaOryza sativaOryzaMean radiant temperatureYield (engineering)AgronomyClimate modelGeographyEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Increasing temperatures, greater carbon dioxide concentrations, and changes in related climatic variables will continue to affect the growth and yields of agricultural crops. Rice (Oryza sativa L.) is extremely vulnerable to these climatic changes. Therefore, investigating the degree to which climate changes could influence rice yields and what effective adaptive strategies could be taken to mitigate the potential adverse impacts is of vital importance. In this article, the impacts of climate change on rice yields in Zhejiang province, China, were simulated under the Representative Concentration Pathway (RCP) 4.5 and 8.5 scenarios. The impacts of climate change, with and without CO2 fertilization effects, were evaluated and the three most effective adaptive measures were examined. Compared with the yield for the baseline time of 1981–2010, the simulated average yields of all cultivars were inevitably projected to decrease under both RCPs when the CO2 fertilization effects were not considered during the three periods of the 2020s (2011–2040), 2050s (2041–2070), and 2080s (2071–2099), respectively. Declines in rice yields were able to be alleviated when the CO2 fertilization effects were accounted for, but the yields were still lower than those of the baseline. Therefore, the three adaptive measures of advancing planting dates, switching to high-temperature-tolerant cultivars, and breeding new cultivars were simulated. The results indicated that adaptive measures could effectively mitigate the adverse effects of climate change. Although the simulation had uncertainties and limitations, the results provide useful insights into the potential impacts of climate change in Zhejiang province while also proposing adaptive measures.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,268
Score d'incertitude au seuil0,533

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 GPT0,278
Écart entre enseignants0,247 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations8
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetClimate change impacts on agricultureTravaux en français237 207